- FusionMamba:基于状态空间模型的高效图像融合
图像融合是通过将具有有限光谱信息的高分辨率图像与具有丰富光谱数据的低分辨率图像相结合,生成高分辨率的多 / 高光谱图像。本文提出了一种名为 FusionMamba 的创新方法,通过在两个 U 型网络中结合 Mamba 块,以一种高效、独立和 - DGMamba: 通过广义状态空间模型实现域泛化
该研究提出了一种名为 DGMamba 的新型域泛化框架,具有对未知领域的强大普适性和全局感受野以及高效的线性复杂度,通过引入 HSS 和 SPR 两个核心组件来改进分布偏移问题;其中,HSS 减少了与特定领域特征相关的隐藏状态对输出预测的影 - Samba: 遥感图像的语义分割与状态空间模型
该研究提出了一种针对高分辨率遥感图像的语义分割框架,名为 Samba,其采用编码器 - 解码器架构,使用 Samba 块作为编码器来高效地提取多层语义信息,以及 UperNet 作为解码器。在 LoveDA 数据集上的评估结果表明,Samb - 基于上置信区间的自相关数据的部分可观测序贯变点检测
基于状态空间模型和自适应采样策略的自适应上置信域方案用于部分可观测多传感器顺序变点检测,并通过广义似然比检验开发变点检测方案,理论分析了其侦测能力与自适应采样策略的关联,并通过合成数据和真实数据的数值研究证明了方法的有效性。
- HARMamba:基于双向选择性 SSM 的高效可穿戴传感器人体活动识别
本研究介绍了一种更轻量级、选择性的状态空间模型为基础的活动识别模型 HARMamba,通过独立学习每个通道的传感器数据并将数据分割成 “补丁”,标记出的传感器序列的位置嵌入作为双向状态空间模型的输入令牌,最终通过分类头实现活动分类,相比于基 - RSMamba:基于状态空间模型的遥感图像分类
RSMamba 是基于状态空间模型(SSM)和 Mamba 的高效、硬件感知设计的一种远程感知图像分类的新型架构,它通过动态多路径激活机制增强了模型对非因果数据的建模能力,并在多个远程感知图像分类数据集上展现出卓越的性能,具有成为未来视觉基 - PlainMamba:改进视觉识别中的非层次化非洲黑曼巴
PlainMamba 是一种简单的非层次化状态空间模型 (SSM),用于通用视觉识别,通过选择性扫描过程将 Mamba 模型应用于视觉领域,提高其从二维图像中学习特征的能力,并通过在扫描序列中保证标记相邻性的连续 2D 扫描过程以及具有方向 - 视频曼巴组合套件:状态空间模型作为视频理解的多功能替代方案
本研究通过广泛实验评估不同模型角色的 Mamba 对视频理解的潜力,探索其在视频理解领域的替代性,发现 Mamba 在仅视频和视频语言任务上展现出强大的潜力,并显示了有希望的效率 - 性能平衡,为未来的视频理解研究提供了宝贵的数据和见解。
- 激活图像超分辨率中更广阔的区域
本文介绍了使用 Vision Mamba 模型在单图超分辨率 (SISR) 领域中提高性能的方法,并通过引入 MMA 网络的综合实验分析验证了其竞争力和灵活性,鼓励在图像处理领域中进一步探索利用状态空间模型的潜力。
- Point Mamba:基于状态空间模型的新型点云骨干网络与八叉树排序策略
提出了一种基于 SSM 的点云处理骨干网络 Point Mamba,具有因果感知的排序机制,在构建因果依赖关系方面采用基于八叉树的排序策略,通过全局排序点以 Z 序列并保留它们的空间接近度。与基于 transformer 的对应方法相比,我 - 曼巴模型的隐含关注
Mamba 层是一种高效的选择性状态空间模型 (SSM),在模拟多个领域包括自然语言处理 (NLP),长程序列处理和计算机视觉方面非常有效。
- DenseMamba:具有密集隐藏连接的状态空间模型,用于高效的大型语言模型
通过在 SSM 中选择性地将浅层隐藏状态集成到深层中,DenseSSM 提供了一种增强隐藏信息流动的新方法,能够在保持训练并行性和推理效率的同时,显著提高各种 SSM 类型的性能。
- 核心数据包的统一理论:从状态空间模型到紧支撑基础
用状态空间模型研究高斯过程,引入了右 KP 和左 KP 的概念,进一步得到多个紧支持 KP 函数,从而将高斯过程的预测时间降低到 O (log n) 或者 O (1),并且可以应用到涉及高斯过程导数的更一般问题。
- SegMamba: 长程序列建模 Mamba 用于三维医学图像分割
SegMamba 是一种新颖的 3D 医学图像分割模型,通过有效地捕捉各个尺度上的全体积特征的远程依赖性,从状态空间模型的角度在全体积特征建模方面胜过基于 Transformer 的方法,保持出色的处理速度,即使是具有 {$64 imes - 2-D SSM:用于视觉 Transformer 的通用空间层
该研究旨在设计拥有适当 2D 归纳偏倚的计算机视觉模型。通过引入一种多维状态空间模型(SSM)的表现形式,这种方法有效地促进了 Vision Transformers(ViT)的性能。ViT 的新层引入了高效参数化,加速计算和合适的归一化方 - 使用结构化状态空间模型进行反事实结果预测
本文比较了两种模型 TE-CDE 和 S4Model 在对于 counterfactual outcome prediction in longitudinal data 的任务中的表现,其中发现 S4Model 比 TE-CDE 更加高效 - ICLR利用结构化状态空间高效建模长序列
提出了一种结构化状态空间序列模型(S4),它在处理长依赖序列数据方面与传统模型相比有着更好的结果,通过调整状态矩阵可以将模型计算复杂度降低,达到了 SOTA 水平。
- 基于运动的生成模型:无监督分离动态模式中的外观、可跟踪和不可跟踪运动
研究提出了一种基于状态空间模型和发射模型的无监督学习动态模式的方法,该方法可以将运动分解为可追踪和不可追踪的部分,并通过学习 latent vectors 对运动进行描述,可以用于动态图案的合成和转移,同时定义并测量动态图案的内在可追踪性。
- 利用生成循环神经网络识别非线性动力系统及其在 fMRI 中的应用
本研究提出了一种基于状态空间模型的计算动力学分析方法,结合 PLRNN 和 fMRI 等神经成像数据,可以深入分析神经系统的非线性动力学特征,并为神经系统的临床评估和神经科学研究提供新的方法。
- NIPSSeDMiD 用于困惑检测:从时间序列脑波数据中揭示心理状态
通过扩展状态空间模型以处理多源信息,文章提出了一种基于脑波数据解码学生心智状态的新方法,具有比传统方法更好的效果。