ECP-Mamba：用于 PolSAR 图像分类的高效多尺度自监督对比学习状态空间模型方法

基于摘要分析。该研究面向极化合成孔径雷达（PolSAR）图像分类，试图兼顾稀疏标注条件下的分类准确性与计算效率。ECP-Mamba 将多尺度自监督对比学习与状态空间模型（SSM）骨干结合，主要贡献是跨尺度预测式预训练任务、面向逐像素分类的螺旋扫描策略及轻量级 cross Mamba 模块，而非 EEG 或 BCI 方法。 机制上，跨尺度预测任务通过对齐局部与全局极化特征学习表征；螺旋扫描优先处理中心像素附近被作者称为具有因果相关性的特征；cross Mamba 模块促进多尺度特征的互补交互。这里的“因果相关性”是摘要中的设计表述，不能据此视为经过因果推断验证的关系。摘要未提供具体损失形式、尺度设置、扫描顺序及模块实现。 作者报告在四个基准数据集上验证了方法，并在 Flevoland 1989 上取得总体准确率（OA）99.70%、平均准确率（AA）99.64%及 Kappa 0.9962，称达到最先进表现。但摘要未说明该结果对应的标注比例、训练与测试划分、对照方法及重复实验设置，不能与其他协议下的结果直接比较；计算效率的具体测量条件和数值也尚未验证。实验协议、消融及统计信息尚未验证。作者表示代码将公开，当前可用性未核验。 平台推测（待验证）：若将跨尺度预测机制用于 EEG，可假设短时局部活动与较长时间上下文的对齐有助于稀疏标签下的表征学习。可借鉴多尺度自监督目标与 SSM 序列建模，但 PolSAR 的极化空间邻域不能直接等同于 EEG 的时间或通道关系，螺旋扫描需重新设计。低信噪比可能使跨尺度对齐学习到伪迹，被试差异、通道布局变化及小数据也可能削弱效果。一个可证伪的小实验是在固定数据划分和标注预算下，对同一 EEG SSM 骨干比较有无跨尺度预训练，并分别核对被试内与跨被试结果、推理耗时及显存占用。已有 EEG 相关工作尚未检索确认。