OSDMamba：利用选择性状态空间模型增强遥感图像溢油检测

基于摘要分析。该研究针对遥感图像溢油语义分割中标注样本有限、类别不平衡及小面积溢油难以识别的问题，提出基于 Mamba 的 OSDMamba，以选择性扫描捕获全局上下文，并结合多尺度特征融合保留局部细节。研究对象是遥感图像溢油检测，并非 EEG 或 BCI。 核心机制包括利用 Mamba 的选择性扫描扩展感受野，以及在非对称解码器中引入 ConvSSM 和深监督，以增强多尺度融合和对少数类样本的敏感性。作者将其定位为首个专门用于溢油检测的 Mamba 架构；这一优先性主张尚未独立核验。摘要未说明扫描路径、ConvSSM 的具体实现、损失函数及深监督配置。 作者报告，在两个公开数据集上取得其所称的最先进性能，并分别提升 8.9% 和 11.8%。但摘要未提供数据集名称、对应指标、基线及数据划分，也未明确这些数值是相对提升还是百分点变化，因此不能进一步解释其幅度或与其他协议直接比较。实验协议、消融及统计信息尚未验证。作者表示将公开源代码，实际可用性与复现条件尚未核验。 平台推测（待验证）：其长程上下文建模与多尺度融合机制可能对应 EEG 中长时依赖和短暂事件并存的需求，但原方法依赖图像空间结构与像素级分割监督，不能直接等同于 EEG 分类。假设可复用选择性状态空间模块，而输入表示、扫描顺序、解码器及监督目标需按时间—通道结构改造；低信噪比、通道差异、跨被试分布变化和小数据可能抵消收益。一个可证伪的小实验是在固定跨被试划分与相同训练预算下，对照局部卷积模型与加入选择性状态空间模块的模型，再消融多尺度融合，检验收益是否稳定。已有 EEG 相关工作尚未检索确认。