即插即用系列（代码实践）| TGRS 2025 GLVMamba：基于“全局-局部空间”与“尺度感知金字塔池化”的遥感图像分割，完美解决Mamba局部特征丢失问题

论文题目：GLVMamba: A Global–Local Visual State-Space Model for Remote Sensing Image Segmentation

中文题目：GLVMamba：用于遥感图像分割的全局-局部视觉状态空间模型
论文出处：IEEE Transactions on Geoscience and Remote Sensing (TGRS), 2025 (遥感顶刊)
应用任务：遥感图像分割、语义分割、多尺度特征提取
核心模块：GLSS2D (Global-Local Selective Scan 2D), VSS Block

论文原文 (Paper)：https://ieeexplore.ieee.org/document/11014226
官方代码 (Code)：https://github.com/Tokisakiwlp/GLVMamba

摘要：
本文提取自2025年 IEEE TGRS最新顶刊论文《GLVMamba: A Global–Local Visual State-Space Model for Remote Sensing Image Segmentation》。针对Mamba (SSM)虽然具备线性全局建模能力，但在处理遥感图像时容易忽略局部细节和多尺度空间信息的痛点，复现了其核心组件——GLVMamba中的GLSS2D模块。该模块创新性地将 Mamba 的选择性扫描机制与局部增强策略相结合，是目前在遥感和自然图像分割任务中平衡精度与效率的 SOTA 方案。

第一部分：模块原理与实战分析

1. 论文背景与解决的痛点

在遥感图像分割任务中，我们面临着极其复杂的场景：地物尺度变化巨大（从细小的车辆到巨大的湖泊），且背景极其复杂。

• CNN 的局限：擅长提取局部纹理，但感受野有限，难以建立长距离依赖，容易把“同物异谱”的物体分错。
• Transformer 的局限：虽然有全局视野，但计算量太大（），且对不规则形状的遥感物体适应性较差。
• 原生 Mamba 的短板：虽然 Mamba 引入了线性复杂度的全局扫描，但它的扫描方式往往破坏了图像的 2D 空间结构，导致**局部空间信息（Local Spatial Information）**丢失，边缘分割不准。

痛点总结：我们需要一种既有 Mamba 的全局线性效率，又能像 CNN 一样死磕局部细节的架构。

2. 核心模块原理揭秘

为了解决“全局与局部难以兼得”的问题，GLVMamba 提出了GLSS2D (Global-Local Selective Scan 2D)模块。我已将其封装为即插即用的 PyTorch 类，其核心逻辑如下：

• 全局分支 (Global Branch)：
  利用改进