Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

SAMamba: Adaptive State Space Modeling with Hierarchical Vision for Infrared Small Target Detection

Created by
  • Haebom

저자

Wenhao Xu, Shuchen Zheng, Changwei Wang, Zherui Zhang, Chuan Ren, Rongtao Xu, Shibiao Xu

개요

본 논문은 적외선 소형 표적 탐지(ISTD)를 위한 새로운 프레임워크인 SAMamba를 제시합니다. SAMamba는 SAM2의 계층적 특징 학습과 Mamba의 선택적 시퀀스 모델링을 통합하여 기존 심층 학습 방법의 정보 손실 및 비효율적인 전역 문맥 모델링 문제를 해결합니다. 주요 혁신으로는 (1) 이중 단계 선택(학습 가능한 작업 임베딩을 사용한 토큰 수준 및 채널별 적응형 변환)을 통한 효율적인 자연-적외선 영역 적응을 위한 특징 선택 어댑터(FS-Adapter), (2) 선택적 상태 공간 모델링을 사용하여 선형 복잡도로 효율적인 전역 문맥 모델링을 위한 교차 채널 상태 공간 상호 작용(CSI) 모듈, (3) 게이트 메커니즘을 사용하여 다중 스케일 특징을 적응적으로 결합하여 고해상도 및 저해상도 특징의 기여도를 균형 있게 조절하는 세부 정보 보존 문맥 융합(DPCF) 모듈이 있습니다. NUAA-SIRST, IRSTD-1k, NUDT-SIRST 데이터셋에서의 실험 결과, SAMamba는 특히 이질적인 배경과 다양한 표적 크기를 가진 어려운 시나리오에서 최첨단 방법을 능가하는 성능을 보여줍니다.

시사점, 한계점

•
시사점:
◦
적외선 소형 표적 탐지 분야에서 기존 방법들의 한계점인 정보 손실과 비효율적인 전역 문맥 모델링 문제를 효과적으로 해결하는 새로운 프레임워크 제시.
◦
영역 적응, 세부 정보 유지, 장거리 의존성 모델링을 동시에 개선하여 성능 향상 달성.
◦
다양한 적외선 데이터셋에서 최첨단 성능을 입증.
◦
공개된 코드를 통해 재현성과 후속 연구를 지원.
•
한계점:
◦
논문에서 구체적인 한계점이나 향후 연구 방향에 대한 언급이 부족함.
◦
특정 데이터셋에 대한 성능 최적화 가능성 존재.
◦
실제 환경 적용 시 발생할 수 있는 문제점에 대한 고찰 부족.
👍
Made with Slashpage