Mamba与小目标结合！2025年论文新宠儿！ 有人说小目标检测不好做了？可不见得，作为目标检测领域的硬骨头，它在2025年依然充满挑战与机遇，妥妥的”学术富矿“（战术后仰）。 虽然传统CNN和Transformer方案已经卷出天际，但Mamba架构的横空出世给这个领域注入了新活力——它的线性复杂度优势和长序列建模能力，简直就是为小目标的"像素级定位"和"上下文依赖"难题量身定制的！ 目前最火的创新方向集中在：1）Mamba的视觉空间建模改进（比如双向扫描策略），2）多尺度特征融合的轻量化设计，3）与动态卷积的混合架构，4）针对小目标的序列化数据增强。尤其推荐关注Mamba+扩散模型的跨模态方案，既蹭上大模型热度，又能真正解决小目标检测中的噪声敏感问题，发论文简直双倍快乐（doge）。现在入场正当时，毕竟SSM（状态空间模型）在CV领域的屠榜才刚刚开始！ 本文整理了近期36篇顶会顶刊上发表的Mamba与小目标检测的前沿论文，可做参考，大家有需要扫码领取。 扫码添加学长，回复“小目标检测” 免费获取全部论文 01 Mamba嵌套结构的高效红外小目标检测 MiM-ISTD: Mamba-in-Mamba for Efficient Infrared Small-Target Detection 方法：论文提出了一种名为MiM-ISTD的嵌套Mamba结构，用于高效红外小目标检测（ISTD）。该方法通过外层Mamba块和内层Mamba块分别捕获全局和局部特征，将图像划分为“视觉句子”和“视觉单词”，从而在保持线性复杂度的同时，实现对局部特征的精细建模。 创新点： 设计了Mamba-in-Mamba结构，外层Mamba块处理全局特征，内层Mamba块处理局部特征，显著提升了小目标的检测精度。 通过共享网络计算视觉单词间的关系，以极小的计算开销实现了局部特征的精细化建模。 实验表明，MiM-ISTD在NUAA-SIRST和IRSTD-1k数据集上表现优异，推理速度比现有方法快8倍，GPU内存占用减少62.2%。02 基于Mamba与CNN的多模态遥感目标检测 RemoteDet-Mamba: A Hybrid Mamba-CNN Network for Multi-modal Object Detection in Remote Sensing Images方法：论文提出了一种名为RemoteDet-Mamba的新型多模态无人机遥感目标检测框架。该框架结合了Siamese CNN网络和跨模态融合Mamba（CFM）模块，通过CNN提取多尺度局部特征，并利用Mamba的选择性扫描机制（SS2D）在四个方向上进行全局特征融合，实现了对密集分布小目标的高效检测。 创新点： 设计了CFM模块，基于Mamba的选择性扫描机制，在四个方向上对多模态特征进行全局扫描和融合，显著提升了小目标的区分能力。 结合CNN的局部特征提取能力和Mamba的全局建模优势，在保持线性计算复杂度的同时，实现了高效的多模态特征融合。 在DroneVehicle数据集上的实验表明，RemoteDet-Mamba的mAP达到81.8%，优于现有方法，同时保持了较低的参数量和较高的检测速度（24.01 FPS）。 扫码添加学长，回复“小目标检测” 免费获取全部论文 03 基于Mamba的红外小目标检测 IRMamba: Pixel Difference Mamba with Layer Restoration for Infrared Small Target Detection方法： 创新点： 设计了PDMamba模块，通过像素差分信息增强局部细节表示，同时利用空间分布函数区分目标和背景干扰。提出LRM模块，通过双向梯度下降和交叉近端映射，实现噪声抑制和目标层的精细重建。在多个公开数据集上的实验表明，IRMamba在客观指标和主观评估上均优于现有方法。04 运动与位移信息学习的红外小目标检测 MOCID: Motion Context and Displacement Information Learning for Moving Infrared Small Target Detection 方法：论文提出了一种名为MOCID的新型模型，用于动态红外小目标检测（MIRSTD）。该方法通过傅里叶启发的时空注意力（FISTA）和位移感知Mamba模块（DAM），分别从片段级别和帧级别捕捉运动上下文和位移信息，显著提升了动态目标的检测性能。 创新点： 设计了FISTA模块，通过傅里叶变换和可学习滤波器捕获运动上下文，并动态调整空间特征提取。 提出DAM模块，利用时间插值和差分感知扫描技术，建模帧间位移信息，增强对动态目标的感知能力。 在IRDST和DAUB数据集上的实验表明，MOCID在检测精度和效率上均优于现有方法，实现了速度与精度的平衡。 05 频谱交互Mamba SMILE: Spatial-Spectral Mamba Interactive Learning for Infrared Small Target Detection方法：论文提出了一种名为SMILE（Spatial-Spectral Mamba Interactive Learning）的网络，用于红外小目标检测（IRSTD）。该方法通过透视变换重构数据，结合Mamba的多方向扫描机制，利用空间Mamba和频谱Mamba协同提取小目标的显著性特征和高频属性。此外，设计了双路径聚合网络（DPA）和混合表示学习模块（HRLM），以高效融合特征并优化局部细节。 创新点： 提出透视变换技术，将异构背景低秩化并突出小目标，使其与Mamba的多方向扫描机制相匹配，从而增强长程依赖捕捉能力。 设计空间-频谱交互SSM模块，通过空间Mamba和频谱Mamba分别提取小目标的显著性和高频特征，提升特征维度。引入DPA网络，通过选择性注意力策略减少模型冗余，同时保持检测性能；HRLM模块则通过多粒度特征融合优化局部特征。 扫码添加学长，回复“小目标检测” 免费获取全部论文