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 长程依赖建模计算开销较高的问题，提出空间–光谱状态空间模型 S²Mamba，通过分别提取空间和光谱上下文并自适应融合，服务于高光谱图像分类与地表覆盖分析。来源标题使用 SMamba，摘要中的方法名为 S²Mamba，二者命名关系需以全文核对。 核心机制是沿不同维度设置两个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 则利用一组可学习矩阵，自适应融合两类表征。作者以 Mamba 的线性复杂度长程依赖建模为动机，对照 Transformer 的二次复杂度，但摘要未给出实际运行时间、显存或复杂度测量协议。 作者报告在 HSI 分类基准上的实验显示方法具有优势，但摘要未提供数据集名称、数据划分、具体指标、对照结果及统计信息，无法判断收益大小及适用范围。实验协议、消融及统计信息尚未验证。摘要表示代码将公开，当前可用性及复现条件尚未验证。 平台推测（待验证）：迁移假设是将空间扫描用于 EEG 通道关系建模，将另一扫描维度改为时间或频率，并复用自适应融合机制，以应对长序列计算开销及不同维度信息贡献不均的问题。该假设依赖有意义的通道排列、时间或频率结构，以及足够的任务监督；HSI 连续光谱波段并不等同于 EEG 通道或频带，扫描顺序、输入表示与分类头均需改造。低信噪比、跨被试差异、通道布局变化及小数据可能使门控过拟合或邻接假设失效。可在固定 Cross-subject 划分下，以相同预处理和训练预算比较双维度扫描加门控、单维度扫描及简单融合，并同时记录分类指标与计算开销。已有 EEG 相关工作尚未检索确认。