今天给大家推荐一个能发顶会且好出创新点的方向：Mamba+YOLO！
一方面，Mamba擅长捕获全局上下文信息，且具有线性复杂度；而YOLO擅长提取局部特征。两者结合能够优势互补，获取更加全面、准确的信息，从而提高检测精度、增强鲁棒性、降低计算复杂度！比如模型Mamba YOLO，在精度比YOLOv8高6.1%的同时，参数减少45.5％，FLOPs减少50％！
另一方面，由于YOLO是目标检测的核心模型之一，传统的魔改思路早已“杀”成红海！而Mamba作为新技术，基于其对YOLO进行改进，目前还在起步阶段，还不卷，以往做过的任务，都可以用该方法重做一遍，创新空间很广！
为了方便大家掌握该方法的精髓，落地到自己的顶会中，我给大家准备了10种前沿思路，原文和源码都有！
扫描下方二维码，回复「MYO」
免费获取全部论文合集及项目代码
Mamba YOLO: SSMs-Based YOLO For Object Detection
内容：论文介绍了一种名为Mamba YOLO的新型目标检测模型，它基于状态空间模型（SSMs），并专门针对目标检测任务进行了优化。该模型通过引入LSBlock和RGBlock来增强对局部图像依赖性的捕获能力，并显著提升了模型的鲁棒性。在COCO和VOC基准数据集上的广泛实验结果表明，Mamba YOLO在性能和竞争力方面超越了现有的YOLO系列模型，并展示了其巨大的潜力和竞争优势。
FER-YOLO-Mamba: Facial Expression Detection and Classification Based on Selective State Space
内容：论文介绍了一个名为FER-YOLO-Mamba的面部表情识别模型，它结合了YOLO技术和Mamba状态空间模型（SSM）来提高面部表情图像的识别和定位效率。模型设计了一个具有双分支结构的FER-YOLO-VSS模块，一边利用卷积层进行局部特征提取，另一边使用状态空间模型捕捉长距离依赖关系。实验结果表明，FER-YOLO-Mamba在RAF-DB和SFEW两个基准数据集上的表现优于其他模型。
扫描下方二维码，回复「MYO」
免费获取全部论文合集及项目代码
YOLO-Mamba: Object Detection Method for Infrared Aerial Images
内容：YOLO-Mamba 是一种针对红外航空图像的目标检测方法，它结合了YOLO系列算法的速度优势和Mamba架构的全局建模能力，以提高对红外图像中目标的检测准确性，特别是在小目标和有限特征信息的情况下。该方法通过引入改进的网络结构和特征融合策略，增强了模型对红外图像中目标的识别和定位能力，适用于无人机侦察、交通监控等场景。
DS MYOLO: A Reliable Object Detector Based on SSMs for Driving Scenarios
内容：论文介绍了一种名为DS MYOLO的新型可靠目标检测器，它基于状态空间模型（SSMs）为驾驶场景设计。该检测器通过简化的自愿扫描融合块（SimVSS Block）捕获全局特征信息，并有效整合网络的深层特征。此外，论文还提出了一种高效的通道注意力卷积（ECAConv），在保持低计算复杂度的同时增强了跨通道特征的交互。在CCTSDB 2021和VLD-45驾驶场景数据集上的广泛实验表明，DS MYOLO在同类规模的YOLO系列实时目标检测器中展现出显著的潜力和竞争优势。
YOLOv5_mamba: Unmanned Aerial Vehicle Object Detection Based on Bidirectional Dense Feedback Network and Adaptive Gate Feature FusionYOLOv5_mamba
内容：文章介绍了一种名为YOLOv5_mamba的无人机航空图像目标检测系统，它基于双向密集反馈网络和自适应门控特征融合技术。该系统通过引入YOLOv8中的C2f模块来增强骨干网络的特征提取能力，并构建了双向密集反馈网络以增强上下文信息的传递。此外，还提出了一种自适应门控特征融合网络来提升YOLOv5的检测头部，从而增强其最终检测能力。在VisDrone2019公共无人机数据集上的实验结果表明，与原始的YOLOv5基线网络相比，提出的算法将检测精度提高了9.3%，特别是在小目标检测方面表现出更好的性能。在UCAS_AOD数据集上，提出的算法比YOLOv5-s提高了9%，在DIOR数据集上超过了YOLOv5-s的12%。
扫描下方二维码，回复「MYO」
免费获取全部论文合集及项目代码
