错过就后悔的顶会风口：YOLO-Mamba！12个好中idea，拿走不谢！

YOLO-Mamba：目标检测新突破
最新推荐文章于 2025-09-19 18:44:44 发布
最新推荐文章于 2025-09-19 18:44:44 发布
阅读量1.6k 收藏 32
点赞数 30
CC 4.0 BY-SA版权
文章标签： YOLO intellij-idea 目标跟踪 计算机视觉 java 学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Aimoxin111/article/details/145879168
本文章已经生成可运行项目，

2025深度学习发论文&模型涨点之——YOLO-Mamba

YOLO + Mamba 是一种将 YOLO 系列目标检测算法与 Mamba 状态空间模型（State Space Model, SSM）相结合的方法，旨在提高目标检测的效率和准确性。

          • YOLO + Mamba 的结合在多个领域展示了显著的性能提升，特别是在处理低分辨率图像和开放词汇目标检测方面。

          • 这些研究不仅提高了检测的准确性，还显著降低了计算复杂度，使其更适合实时应用。未来的研究可能会进一步探索 Mamba 在其他视觉任务中的应用潜力。

          小编整理了一些YOLO-Mamba【论文】合集，以下放出部分，全部论文PDF版皆可领取。

          需要的同学

          回复“111”即可全部领取

          论文精选

          论文1：

          FER-YOLO-Mamba: Facial Expression Detection and Classification Based on Selective State Space

          基于选择性状态空间的面部表情检测与分类的FER-YOLO-Mamba

          方法

            • FER-YOLO-VSS双分支模块：提出了一种FER-YOLO-VSS双分支模块，将卷积层提取局部特征的能力与状态空间模型（SSMs）揭示长距离依赖的能力相结合。

            • 注意力机制：设计了一个包含多层感知器（MLP）的注意力块（ABMLP），通过全局平均池化、MLP和逐元素乘法技术实现输入特征

            本文已生成可运行项目
            最低0.47元/天 解锁文章
            Ai墨芯111
            关注
            YOLOv11改进策略【YOLO和Mamba】| 替换骨干 Mamba-YOLOv11-T !!! 最新的发文热点
            Limiiiing的博客
            11-23 2413
            模块是模型中的一个重要组成部分，其主要作用是在模型的初始阶段对输入图像进行处理，方便后续的特征提取和目标检测。以下是对。
            【论文阅读】Mamba YOLO: A Simple Baseline for Object Detection with State Space Model
            su20060703的博客
            09-03 834
            在深度学习技术的快速发展推动下，YOLO系列为实时目标检测器树立了新的标杆。此外，基于Transformer的结构已成为该领域最强大的解决方案，极大地扩展了模型的感受野，并实现了显著的性能提升。然而，这种提升是有代价的，自注意力机制的二次复杂度增加了模型的计算负担。为解决这一问题，我们提出了一种简单而有效的基线方法，称为Mamba YOLO。我们的贡献如下：1）我们提出ODMamba骨干网络引入具有线性复杂度的状态空间模型（SSM），以解决自注意力的二次复杂度问题。
            YOLO-Mamba大火！15种创新思路全面汇总！
            Aimoxin111的博客
            03-31 618
            Mamba Block Attention Module (MBAM)：提出了基于Mamba的注意力模块，包括Mamba空间注意力模块（MSAM）和Mamba通道注意力模块（MCAM），分别从空间和通道维度计算图像的注意力。然而，随着研究的深入，研究人员不断探索如何进一步提升其性能，包括更高的检测精度、更快的推理速度以及更好的适应性。MambaFusion-PAN：提出了一种基于SSM的特征融合机制，包括并行引导选择性扫描（PGSS）算法和串行引导选择性扫描（SGSS）算法，用于视觉和语言特征的融合。
            16、论文阅读：Mamba YOLO：用于目标检测的基于 SSM 的 YOLO
            DQHNB的博客
            11-03 2390
            在深度学习技术快速发展的推动下，YOLO 系列在实时目标检测器领域设立了新的标杆。研究人员在 YOLO 的基础上不断探索创新的重参数化、有效的层聚合网络和无锚技术的应用。为了进一步提升检测性能，基于 Transformer 的结构被引入，显著扩展了模型的感受野，并取得了显著的性能提升。然而，这些改进也带来了代价，因为自注意力机制的二次复杂性增加了模型的计算负担。幸运的是，状态空间模型 (SSM) 的出现有效地缓解了由二次复杂性引发的问题。基于这些进展，我们提出了Mamba-YOLO。
            论文阅读笔记--MambaIR: A Simple Baseline for Image Restoration with State-Space Model
            weixin_59984439的博客
            12-27 1412
            它通常会对特征图进行全局平均池化操作，将每个通道的二维空间信息压缩为一个全局特征描述符，从而获取该通道的整体信息。：传统方法在处理长距离依赖关系时存在局限性，而本文利用状态空间模型（SSM）来捕捉长距离依赖，特别是通过 2D - SSM 从多个方向扫描二维图像特征，为解决长距离依赖问题提供了新的视角和方法。这启示我们在其他需要处理长距离依赖的任务中，如视频分析、时间序列预测等，可以借鉴这种基于状态空间方程的建模方式，打破传统方法的局限，更有效地挖掘数据中的长距离依赖信息。
            Mamba-YOLO：Mamba 主干网络适合处理更复杂的数据和场景 + Apache-2.0 开源可商用
            热门推荐
            Debroon
            06-20 1万+
            在Mamba YOLO的架构中，核心组件如SS2D结构、ODSSBlock、Local Spatial Block (LS Block)、和Residual Gated Block (RG Block)与高级组成部分如ODMamba Backbone、Simple Stem、ODSSBlocks、Vision Clue Merge、PAFPN和Head之间存在直接的层级和功能关系。通常，Head会设置不同尺度的检测层，以处理从小到大的各种对象，确保模型可以广泛地适应不同的目标尺寸和场景。
            当自动驾驶遇上百变Mamba！是否有望成为下一代『Transformer』？
            CV_Autobot的博客
            07-04 399
            今年多次霸榜的Mamba，作为一种新的选择性状态空间模型，对主流架构RNN、Transformer提出了挑战，被视为极具潜力的CV基础模型！在自动驾驶领域，Mamba也具有广泛使用场景，比如道路状况分析、车辆轨迹预测！基于Mamba的改进变体，也层出不穷，涉及图像、视频、3D点云、多模态等方向，种类接近一百种，甚至多个杀入最新顶会！为了帮助大家掌握Mamba架构和性能，研梦非凡于7月10日（周三）...
            [论文阅读]FER-YOLO-Mamba
            weixin_58875151的博客
            05-19 1711
            此外，Ma等人提出了U-Mamba模型，通过结合U-Net架构和Mamba模型的优势，有效提升了生物医学图像分割的性能。从结果上来看，新的模型在检测效果少似乎比V7和V8都高了很多，但是其实baseline是YOLOX，仔细看的话发现再大的数据集上相比于YOLOX涨了1.91个点，在小数据集上相比于YOLOX涨了2.65个点。（但是最后的结果却是很好看，比V7，V8高了好多）这篇文章首创性的将Mamba融入到了YOLO架构中，构建了一个高效的YOLO-Mamba框架，并且在FER任务中达到了很好的效果。
            【论文笔记】：Mamba YOLO SSMs-Based YOLO For Object Detection
            2301_80365008的博客
            08-31 2725
            该篇论文中，引入了ODSSBlock模块，将SSM结构应用于目标检测领域。与用于图像分类的VSSBlock不同，用于目标检测的图像具有更大的像素，并且由于SSM模型通常对文本序列进行建模，缺乏对图像的通道表达能力，我们提出了LSBlock对通道特征进行建模。得益于图像较大的像素和较多的通道维度，我们提出了RGBlock结构在SS2D输出后进一步解码，利用点乘的高维表达方式提高通道相关性。Mamba - YOLO是视觉识别和检测任务中的一个重要进展，旨在构建一种结合SSM和CNN优点的新型骨干网络。
            YOLO-World: Real-Time Open-Vocabulary Object Detection
            猛码Memmat
            02-02 2579
            yolo-world
            YOLO11改进-mamba-引入mamba_layer 增强局部细节与全局语义的平衡，提高多尺度 小目标检测能力
            qq_64693987的博客
            06-09 1835
            本文提出了一种改进YOLOv11目标检测模型的方法，通过引入视觉状态空间模块VSSBlock来增强特征提取能力。VSSBlock基于状态空间模型理论，结合双向扫描机制和多方向特征提取策略，有效解决了传统模型在处理长距离依赖关系时的局限性。该模块通过线性嵌入层、双分支处理（SS2D模块和深度卷积）以及特征融合机制，实现了对图像全局上下文和局部细节的高效建模。实验将VSSBlock集成到YOLOv11的Backbone和Neck部分，显著提升了模型对小目标和复杂背景下物体的检测性能。文章详细介绍了模块实现、代码
            Mamba再封神！与YOLO结合，拿下二区！好发不卷！
            2401_88190197的博客
            11-06 2180
            相比传统的YOLO改进，Mamba是新技术，两者结合尚在蓝海阶段，可发挥空间大！更为关键的是，它在检测精度和速度方面，都让以往的YOLO模型难以望其项背！比如代表模型Mamba YOLO，便在参数减少45.5％、FLOPs减少50％的同时，精度还比YOLOv8高6.1%！这主要得益于，Mamba能够捕捉长期依赖关系，而YOLO则擅长捕捉局部特征，两者能够优势互补，且Mamba线性复杂度的特性，也有利于提高计算效率！为了让大家能够紧跟前沿发展，找到更多灵感启发，我给大家10种。
            YOLO跌落神坛？Mamba YOLO干翻YOLO系列模型！
            3D视觉工坊
            06-18 1631
            点击下方卡片，关注「3D视觉工坊」公众号选择星标，干货第一时间送达来源：3D视觉工坊添加小助理：dddvision，备注：方向+学校/公司+昵称，拉你入群。文末附行业细分群扫描下方二维码，加入3D视觉知识星球，星球内凝聚了众多3D视觉实战问题，以及各个模块的学习资料：近20门视频课程（星球成员免费学习）、最新顶会论文、计算机视觉书籍、优质3D视觉算法源码等。想要入门3D视觉、做项目、搞科研，欢迎扫...
            Mamba YOLO | 超越所有YOLO系列模型？
            CV_Autobot的博客
            06-19 3492
            点击下方卡片，关注“自动驾驶之心”公众号戳我->领取自动驾驶近15个方向学习路线>>点击进入→自动驾驶之心『Mamba』技术交流群论文作者|Zeyu Wang等编辑 | 自动驾驶之心写在前面&笔者的个人理解在深度学习技术快速进步的推动下，YOLO系列为实时物体探测器树立了新的基准。研究人员在YOLO的基础上不断探索重新参数化、高效层聚合网络和无锚技术的创新应用。为了...
            Mamba也对yolo出手了，模型详解！（附源码地址）
            weixin_40920183的博客
            07-09 2590
            Mamba YOLO 是一种基于SSM结构的目标检测模型，它是对YOLO系列模型的一次创新尝试，旨在通过引入新的模块和结构来优化目标检测的性能。该模型特别关注全局感受野，并在处理复杂视觉任务时展示了其潜力。论文题目：Mamba YOLO: SSMs-Based YOLO For Object Detection论文链接：https://arxiv.org/abs/2406.05835github地...
            【论文阅读 | AAAI 2025 | Mamba YOLO: 基于状态空间模型的目标检测简单基线​​】
            最新发布
            berling00的博客
            09-19 779
            在深度学习技术的快速发展推动下，YOLO系列为实时目标检测器设立了新基准。此外，基于Transformer的结构已成为该领域最强大的解决方案，极大地扩展了模型的感受野并实现了显著的性能提升。然而，这种改进是有代价的，因为自注意力机制的二次复杂度增加了模型的计算负担。为了解决这个问题，我们引入了一种简单而有效的基线方法，称为Mamba YOLO。我们提出ODMamba主干网络引入具有线性复杂度的状态空间模型(SSM)来解决自注意力的二次复杂度问题。与其他基于Transformer和基于SSM的方法不同，
            超强创新点！Mamba+YOLO轻松超越YOLO8
            2501_92784989的博客
            07-17 862
            性能提升：在RAF-DB数据集上，FER-YOLO-Mamba相较于YOLOvX，平均精度（mAP）提升1.91%，达到80.31%。性能提升：在LVIS数据集上，Mamba-YOLO-World-S相较于YOLO-World-S，平均精度（AP）提升1.5%，小、中、大模型的平均精度分别提升1.4%、3.2%和1.8%。性能提升：在MSCOCO数据集上，Mamba YOLO-Tiny版本相较于YOLOv8-S，参数减少48%，FLOPs减少53%，推理延迟降低0.4ms，平均精度（mAP）提升7.5%。
            【论文阅读】MambaTrack: A Simple Baseline for Multiple Object Trackingwith State Space Model
            weixin_57974242的博客
            01-08 1615
            code：未开源。
            评论 19
            添加红包

            请填写红包祝福语或标题

            个

            红包个数最小为10个

            元

            红包金额最低5元

            当前余额3.43元 前往充值 >
            需支付：10.00元
            成就一亿技术人!
            领取后你会自动成为博主和红包主的粉丝 规则
            hope_wisdom
            发出的红包
            实付元
            使用余额支付
            点击重新获取
            扫码支付
            钱包余额 0

            抵扣说明：

            1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
            2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

            余额充值