MambaMIC：一种基于状态空间模型的高效显微图像分类基线
计算机视觉与模式识别
2025-03-18 v2
摘要
近年来，基于 CNN 和 Transformer 的方法在显微图像分类（Microscopic Image Classification, MIC）中取得了显著进展。然而，现有方法仍面临全局建模与高效计算之间的困境。尽管选择性状态空间模型（Selective State Space Model, SSM）能够以线性复杂度模拟长程依赖，但在 MIC 任务中仍面临局部像素遗忘、通道冗余和缺乏局部感知等挑战。为了解决这些问题，我们提出了一种简单而高效的 MIC 任务视觉主干网络，命名为 MambaMIC。具体而言，我们引入了一个局部-全局双分支聚合模块：MambaMIC Block，旨在有效捕获并融合局部连通性与全局依赖。在局部分支中，我们使用局部卷积来捕获像素相似性，缓解局部像素遗忘并增强感知能力。在全局分支中，SSM 提取全局依赖，而局部感知增强滤波器则降低了通道冗余和局部像素遗忘。此外，我们设计了一个特征调制交互聚合模块，用于深度特征交互和关键特征重定位。广泛的基准测试表明，MambaMIC 在五个数据集上均取得了 SOTA 性能。代码可在 https://zs1314.github.io/MambaMIC 获取。
引用
@article{arxiv.2409.07896,
title = {MambaMIC: An Efficient Baseline for Microscopic Image Classification with State Space Models},
author = {Shun Zou and Zhuo Zhang and Yi Zou and Guangwei Gao},
journal= {arXiv preprint arXiv:2409.07896},
year = {2025}
}
备注
7 pages, 4 figures