OmniMamba：全向扫描与状态空间模型相结合的高效高光谱图像分类

OmniMamba 面向高光谱图像（HSI）分类中的高维度、光谱变异与训练样本有限问题，通过全向扫描及单尺度、多尺度特征处理的协同交替策略，建模空间—光谱关系并降低计算开销。基于摘要分析，未取得论文全文；原研究对象是地球观测与农业生产分析中的 HSI，而非 EEG 或 BCI。 核心机制是采用 row、column、zigzag、snake 四种互补扫描方式，将二维空间数据转换为保留空间结构的一维特征序列。作者称，该机制保留方向敏感性，并以线性复杂度建模全局依赖，避免自注意力的二次复杂度瓶颈。级联处理阶段交替协调单尺度与多尺度特征，以融合细粒度光谱特征和层次化空间上下文。具体状态空间实现、扫描结果融合方式、训练损失与复杂度适用条件尚未验证。 作者报告，在四个基准数据集上的平均 Overall Accuracy 为 99.28%，模型参数量为 246 K，计算量为 0.04 GFLOPs，并称优于现有方法。摘要未提供数据集名称、训练与测试划分、各数据集结果、具体对照基线，以及 GFLOPs 对应的输入尺寸和统计口径，因此不能据此判断不同协议下的性能优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 通道可依据电极位置构成有意义的空间结构，多方向序列化与多尺度处理可能用于探索通道间空间依赖及不同时间尺度的融合。该假设依赖可靠的电极拓扑与任务监督，不能将 HSI 光谱维直接等同于 EEG 时间或频率维。可考虑复用扫描与状态空间处理思路，但需改造输入表示、通道布局和尺度定义；EEG 的低信噪比、跨被试差异、缺失通道及小样本可能使扫描顺序引入不稳定偏置。一个可证伪的小实验是在固定 Cross-subject 划分、预处理和参数预算下，比较单一扫描与四方向扫描，检验收益是否在不同被试上稳定，并记录计算成本。已有 EEG 相关工作尚未检索确认，此建议不构成 BCI 有效性证据。