ECP-Mamba：用于 PolSAR 图像分类的高效多尺度自监督对比学习状态空间模型方法

基于摘要分析。该研究面向极化合成孔径雷达（PolSAR）图像分类，试图解决稀疏标注条件下分类精度与计算效率难以兼顾的问题。作者提出 ECP-Mamba，将多尺度自监督对比学习与状态空间模型（SSM）骨干结合，用跨尺度预测任务学习局部与全局极化特征之间的对应关系。 机制上，跨尺度预测预训练任务通过对齐局部和全局特征缓解标注稀缺问题；Mamba 用于提高计算效率。针对逐像素分类，作者设计螺旋扫描策略，优先处理中心像素附近被其描述为具有因果相关性的特征，并引入轻量级 cross Mamba 模块促进多尺度互补信息交互。这里的“因果相关性”是摘要中的设计表述，不能据此认定进行了因果识别。作者声称首次将 Mamba 引入 PolSAR 图像分类，该优先性尚未独立核实。 作者报告在四个基准数据集上开展实验；其中，在 Flevoland 1989 上取得总体准确率（OA）99.70%、平均准确率（AA）99.64% 和 Kappa 0.9962，并称达到最先进性能。摘要未给出该结果对应的标注比例、训练与测试划分或对照方法，不能据此进行跨协议比较。具体损失形式、扫描实现、效率测量、实验协议、消融及统计信息尚未验证。摘要表示代码将公开，当前可用性尚未确认。 平台推测（待验证）：可迁移的机制是假设多尺度局部—全局表征对齐能够帮助稀疏标注 EEG 学习，而非已证实的 BCI 效果。原方法依赖极化图像的空间邻域结构；迁移时可考虑复用对比学习与状态空间序列建模思路，但需重新定义 EEG 的时间尺度、通道邻域及正负样本，不能直接把中心像素螺旋扫描视为电极间的合理顺序。低信噪比、跨被试差异、通道布局变化和小数据规模均可能破坏对齐假设。一个可检验的小实验是在固定 Cross-subject 划分和相同标注预算下，对比同一骨干有无局部—全局对齐任务，分别评估分类指标与计算成本，检验收益是否稳定。已有 EEG 相关工作尚未检索确认。