【YOLOv8改进- Backbone主干】CVPR2025 MambaOut ：为图像分类任务设计的轻量级模型,曼巴永存！
YOLOV8目标检测创新改进与实战案例专栏
专栏目录： YOLOV8有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例
专栏链接: YOLOV8基础解析+创新改进+实战案例
介绍
摘要
“曼巴（Mamba）是一种具有状态空间模型（SSM）的类似循环神经网络（RNN）的标记混合器架构，最近被引入以解决注意力机制的二次复杂性，并随后应用于视觉任务。然而，与基于卷积和注意力的模型相比，曼巴在视觉任务上的表现往往不尽如人意。在本文中，我们深入研究了曼巴的本质，并从概念上得出结论，曼巴非常适合具有长序列和自回归特性的任务。对于视觉任务，由于图像分类与这两个特性都不相符，我们假设曼巴对于此任务不是必需的；检测和分割任务也不是自回归的，但它们具有长序列特性，所以我们认为探索曼巴在这些任务中的潜力仍然是值得的。为了凭经验验证我们的假设，我们通过堆叠曼巴块同时去除其核心标记混合器 SSM 构建了一系列名为曼巴输出（MambaOut）的模型。实验结果有力地支持了我们的假设。具体来说，我们的曼巴输出模型在 ImageNet 图像分类任务上超越了所有视觉曼巴模型，表明曼巴对于此任务确实是不必要的。至于检测和分割，曼巴输出无法与最先进的视觉曼巴模型的性能相匹配，这展示了曼巴在长序列视觉任务中的潜力。代码可在此链接获取。”
文章链接
论文地址：论文地址
代码地址：代码地址
基本原理
MambaOut是为探究Mamba在视觉任务中必要性而构建的一系列模型，它基于Gated CNN块，去除了Mamba中的核心组件SSM。
- 提出背景：Transformer的注意力机制在处理长序列时存在二次复杂度问题，Mamba作为一种新模型，其基于RNN机制的SSM可降低计算复杂度，被引入视觉任务，但表现不如预期。为探究Mamba在视觉任务中的必要性，提出MambaOut模型。
- 技术原理：MambaOut基于Gated CNN块构建，与Mamba的主要区别是去除了SSM。Gated CNN块可视为MetaFormer的token mixer和MLP的简化集成