SMamba：用于高光谱图像分类的空间–光谱状态空间模型

基于摘要分析。该研究针对高光谱图像（HSI）空间分辨率低、光谱信息复杂，以及 Transformer 建模空间–光谱长程依赖时计算开销较大的问题，提出空间–光谱状态空间模型 S²Mamba，通过分维度特征提取与自适应融合完成高光谱图像分类。来源标题使用 SMamba，摘要中的方法名称为 S²Mamba，此处保留这一差异。 核心机制是分别沿空间和光谱维度使用选择性结构化状态空间模型：Patch Cross Scanning 模块通过像素与邻近像素的交互捕获空间上下文；Bi-directional Spectral Scanning 模块从连续光谱波段中提取语义信息。Spatial-spectral Mixture Gate 由一组可学习矩阵实现，用于自适应融合两个维度的表示，以适应均质区域与复杂纹理场景。摘要以 Mamba 的线性复杂度对比 Transformer 的二次复杂度，但完整模型的实际计算量、运行速度及比较条件尚未验证。 作者报告，在 HSI 分类基准上的实验支持该方法的优势，但摘要未提供数据集名称、数据划分、对照基线或具体指标，不能据此量化收益。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，当前可用性及复现所需的配置、训练细节尚未验证。 平台推测（待验证）：可检验的迁移假设是，将分维度扫描与门控融合用于 EEG 的时间–通道或时间–频率依赖建模，可能降低长序列处理成本。可复用的是选择性状态空间建模及融合思路；需改造扫描顺序、通道邻接关系和输入表示，因为 HSI 的空间邻域与连续光谱波段不能直接等同于 EEG 的电极与频率结构。EEG 低信噪比、跨被试差异、通道配置变化和小样本训练可能使门控不稳定或扫描关系失效。一个小规模可证伪实验是在固定数据划分与训练预算下，对比单维度扫描、双维度扫描及加入门控的版本，分别评估被试内与跨被试表现，并记录计算开销。已有 EEG 相关工作尚未检索确认。