DLRMamba：基于低秩 Mamba 的边缘多光谱融合目标检测
计算机视觉与模式识别
2026-03-10 v1
摘要
多光谱融合目标检测是边缘 maritime 监视和遥感中关键任务，要求具备高推理效率和对高分辨率输入的稳健特征表示。然而，当前的状态空间模型（SSMs）如 Mamba 在其标准 2D 选择扫描（SS2D）块中存在显著参数冗余，这阻碍了在资源受限硬件上的部署，并导致常规压缩过程中细粒度结构信息丢失。为解决这些挑战，我们提出了低秩二维选择结构化状态空间模型（Low-Rank SS2D），通过矩阵分解重新构建状态转换以利用内在特征稀疏性。此外，我们引入结构感知蒸馏策略，以补偿潜在的表示退化，使学生模型的内部潜在状态动力学与全秩教师模型对齐。该方法显著降低了计算复杂度和内存占用，同时保持了对目标识别所需的高保真空间建模。广泛的实验在五个基准数据集和真实边缘平台（如树莓派 5）上进行，表明本方法在实际部署场景中实现了卓越的效率-精度权衡，显著优于现有轻量级架构。
引用
@article{arxiv.2603.06920,
title = {DLRMamba: Distilling Low-Rank Mamba for Edge Multispectral Fusion Object Detection},
author = {Qianqian Zhang and Leon Tabaro and Ahmed M. Abdelmoniem and Junshe An},
journal= {arXiv preprint arXiv:2603.06920},
year = {2026}
}
备注
Has been submitted to the IEEE TGRS journal