UIS-Mamba：通过动态树扫描与隐藏状态弱化探索 Mamba 在水下实例分割中的应用

基于摘要分析。本文研究水下实例分割，提出 UIS-Mamba，通过 Dynamic Tree Scan（DTS）与 Hidden State Weaken（HSW）改造 Mamba 的扫描及状态传播机制，以应对水下颜色失真、实例边界模糊和复杂背景干扰；研究对象并非 EEG 或 BCI。 核心机制方面，作者认为固定 patch 扫描难以保持水下实例内部特征的连续性。DTS 允许 patch 动态偏移与缩放，据此引导最小生成树并提供动态局部感受野。HSW 则采用基于 Ncut 的隐藏状态弱化机制，抑制复杂背景对状态传播的干扰，使信息流更聚焦实例对象。摘要未提供动态调整的学习方式、Ncut 的具体构造、损失函数及训练细节，尚不能判断各模块的完整实现和开销。 作者报告，UIS-Mamba 在 UIIS 与 USIS10K 数据集上取得其所称的最先进性能，同时保持较低参数量和计算复杂度；摘要未给出具体指标、数值、数据划分或对照模型，因此这些结论目前只能保留为作者报告。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库地址，但代码完整性与复现条件尚未核验。 平台推测（待验证）：若 EEG 任务存在可由通道或时频邻接关系刻画的相关信号结构，动态扫描与状态抑制可能提供可测试的序列建模思路。可复用的是扫描路径和状态传播调控思想；需重新设计节点定义、邻接关系及弱化依据，不能直接把水下图像的实例与背景划分用于 EEG。低信噪比、跨被试差异、通道布局变化及小数据可能导致错误连接或抑制有效信号。一个小规模可证伪实验是：在固定 EEG 数据划分与相同训练预算下，比较固定扫描、动态扫描和附加状态弱化的模型，检验收益是否稳定，并核对计算开销。已有 EEG 相关工作尚未检索确认。