Mamba又出新花样！与CNN结合，拿下高区！模型准确性近乎100％

Mamba与CNN相结合，作为24年AI顶会的新密码，在处理序列数据和图像数据时优势显著，也是提高模型计算效率、准确率等的利器！比如模型Weak-Mamb-UNet，就通过这种结构，实现了分割准确率高达99.63％的效果！

主要在于，Mamba通过动态加权机制，能够提供全局建模能力，而CNN则在局部特征提取方面表现出色。通过两者结合，能够实现更高效的特征提取。此外Mamba还避免了Transformer的二次计算复杂性，与CNN的结合在计算上更加高效。

为了让大家对该方法有全面深入的理解，找到自己论文的idea，我给大家准备了9种创新方法，原文和代码都有。

论文原文+开源代码需要的同学看文末

1.Weak-MMamba-UNet:Visual Mamba Makes CNN and ViT Work Better for Scribble-based Medical Image Segmentation

简述：本篇论文提出了一种名为Weak-MMamba-UNet的模型，通过视觉Mamba机制优化卷积神经网络（CNN）和视觉Transformer（ViT），用于基于涂鸦的医学图像分割。Weak-MMamba-UNet结合了CNN和ViT的优点，并引入了视觉Mamba机制来处理弱监督的涂鸦标注数据，从而提高了分割性能。具体而言，模型利用涂鸦标注作为提示，引导网络关注相关区域，增强了对医学图像中目标的定位和分割能力。实验结果表明，Weak-MMamba-UNet在多个医学图像分割任务中表现出色，显著提升了分割精度，展示了其在实际医学应用中的潜力和有效性。

2.CM-UNet: Hybrid CNN-Mamba UNet for Remote  Sensing Image Semantic Segmentation

简述：本篇论文提出了一种名为CM-UNet的混合模型，用于遥感图像的语义分割。CM-UNet结合了卷积神经网络（CNN）和Mamba机制的优点，通过将这两种技术集成到UNet架构中，增强了模型的分割性能。具体而言，CM-UNet利用CNN的强大特征提取能力和Mamba机制的注意力机制，使模型能够更好地捕捉遥感图像中的细节和全局信息。实验结果表明，CM-UNet在多个遥感图像分割任务中表现优异，显著提升了分割精度和鲁棒性，展示了其在遥感图像处理中的应用潜力和优势。

3.U-Mamba Enhancing Long-range Dependency for Biomedical Image Segmentation

简述：本篇论文提出了一种名为U-Mamba的模型，旨在增强生物医学图像分割中的长程依赖性。U-Mamba通过将Mamba机制集成到UNet架构中，利用其强大的长程依赖捕捉能力，显著提升了分割性能。具体而言，U-Mamba利用Mamba机制的注意力机制，加强对远距离像素关系的建模，从而提高了对复杂生物医学图像中细节和全局结构的理解能力。实验结果表明，U-Mamba在多个生物医学图像分割任务中表现出色，显著提高了分割的准确性和鲁棒性，展示了其在实际医学应用中的巨大潜力和优势。

4.nnMamba: 3D Biomedical Image Segmentation, Classification and Landmark Detection with State Space Model

简述：本篇论文提出了一种名为nnMamba的模型，用于3D生物医学图像的分割、分类和标志点检测。nnMamba结合了状态空间模型，能够在三维图像数据中高效提取和利用特征。具体而言，nnMamba通过状态空间模型捕捉图像中的长程依赖关系和全局信息，从而提高分割、分类和标志点检测的精度。实验结果表明，nnMamba在多个3D生物医学图像任务中表现出色，显著提升了分割和分类的准确性，并且在标志点检测方面也取得了优异的效果，展示了其在实际医学应用中的巨大潜力和实用性。

 关注下方《人工智能学起来》

回复“MaCNN”获取全部论文+开源代码

码字不易，欢迎大家点赞评论收藏