MambaInst：用于实时实例分割的轻量状态空间模型

基于摘要分析。本文研究实时实例分割中的计算效率与特征表达问题，提出基于状态空间模型（SSM）的轻量网络 MambaInst，结合长距离空间依赖建模与局部上下文提取；研究对象是视觉实例分割，而非 EEG 或 BCI。 核心机制包括 LightSSM Block 与下采样方法 FRDown。摘要说明，LightSSM Block 通过门控机制和残差连接提取深层语义特征，以线性计算复杂度建模长距离空间依赖；FRDown 用于高效捕获上下文信息并改善局部信息感知。具体状态更新形式、扫描方式、下采样操作、损失函数及训练配置尚未验证，不能仅凭摘要判断各模块的独立贡献。 作者报告，MambaInst-B 在 COCO-seg 上取得 40.8% Mask mAP，并在单张 4090 GPU 上测得 2.28 ms 推理耗时。摘要未明确数据划分、输入分辨率、批量大小、精度模式，以及计时是否包含预处理和后处理；这些条件及对照基线、消融和统计信息尚未验证，因此不能直接据此比较不同实时实例分割方法。作者将该工作称为 SSM 在实时实例分割中有效性的首次证明，并声称为该应用中的 Mamba 方法建立新性能基准，这些优先性与领先性主张仍需文献和完整实验核对。 平台推测（待验证）：LightSSM Block 的线性复杂度依赖建模可能为长 EEG 序列编码提供候选机制，但原方法依赖图像空间结构及实例分割监督，不能直接沿用其训练目标和 FRDown。若迁移，需要重新定义时间—通道布局及下采样策略；低信噪比、跨被试差异、通道配置变化和小数据条件可能使门控或压缩过程削弱有效信号。可检验的小实验是在固定 EEG 分类数据划分和训练预算下，比较采用候选 LightSSM 模块与不采用该模块的编码器，同时记录分类指标、延迟及显存；这只是迁移假设，尚未检索确认已有 EEG 相关工作。