SAMamba：结合分层视觉与自适应状态空间建模的红外小目标检测
计算机视觉与模式识别
2025-05-30 v1 人工智能
摘要
红外小目标检测（ISTD）对于军事、海事和预警应用中的远程监视至关重要。ISTD 面临的挑战在于目标占据不到图像的 0.15%，且与复杂背景的区分度低。现有的深度学习方法在下采样过程中常出现信息丢失，且全局上下文建模效率低下。本文提出了 SAMamba，一个将 SAM2 的分层特征学习与 Mamba 的选择性序列建模相结合的新框架。关键创新包括：（1）特征选择适配器（FS-Adapter），通过双阶段选择（带有可学习任务嵌入的 token 级选择和通道级自适应变换）实现从自然图像到红外图像的高效域适应；（2）跨通道状态空间交互（CSI）模块，利用选择性状态空间建模以线性复杂度高效进行全局上下文建模；（3）细节保留上下文融合（DPCF）模块，通过门控机制自适应地结合多尺度特征，以平衡高分辨率和低分辨率特征的贡献。SAMamba 通过弥合域差距、保留细粒度细节以及高效建模长距离依赖，解决了 ISTD 的核心挑战。在 NUAA-SIRST、IRSTD-1k 和 NUDT-SIRST 数据集上的实验表明，SAMamba 显著优于现有方法，特别是在具有异构背景和目标尺度变化的挑战性场景中。代码：https://github.com/zhengshuchen/SAMamba。
引用
@article{arxiv.2505.23214,
title = {SAMamba: Adaptive State Space Modeling with Hierarchical Vision for Infrared Small Target Detection},
author = {Wenhao Xu and Shuchen Zheng and Changwei Wang and Zherui Zhang and Chuan Ren and Rongtao Xu and Shibiao Xu},
journal= {arXiv preprint arXiv:2505.23214},
year = {2025}
}
备注
Information Fusion 2025