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）地表覆盖分类中的低空间分辨率、复杂光谱信息及长程依赖建模成本，提出空间–光谱状态空间模型 S²Mamba，以两个维度的选择性结构化状态空间建模和自适应融合提取上下文特征。原标题使用 SMamba，摘要中的方法名为 S²Mamba，此处保留来源差异。 核心机制包括两个维度的特征提取：Patch Cross Scanning 模块通过像素与相邻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 使用一组可学习矩阵，自适应融合空间与光谱表示，以适应同质区域及复杂纹理场景。作者将 Mamba 的线性复杂度长程建模作为替代 Transformer 二次复杂度建模的动机，但摘要未给出具体扫描顺序、损失函数、训练配置或实际计算开销。 作者报告，HSI 分类基准上的实验显示 S²Mamba 具有性能优势；摘要未列出数据集名称、划分协议、对照方法或定量指标，因此不能据此判断优势幅度及适用范围。实验协议、消融及统计信息尚未验证。作者表示代码将公开，当前发布状态与复现条件尚未验证。 平台推测（待验证）：假设空间与有序光谱维度的分离建模可启发 EEG 的通道–时间或通道–频率特征融合，但 HSI 的像素邻接和连续波段结构并不等同于 EEG 的电极拓扑与时频结构。可借鉴双维度扫描及融合门，需改造通道排序、邻接关系和输入表示；低信噪比、跨被试差异、通道配置变化及小数据可能使扫描顺序和融合权重不稳定。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，对比双维度扫描加融合门、单维度扫描及固定融合，分别报告被试内与跨被试结果，检验增益是否稳定。相关 EEG 工作尚未检索确认。