传统视觉模型在处理大规模或高分辨率图像时存在一定限制。然而Mamba与CNN相结合，在处理序列数据和图像数据时有着显著的优势，并且能够有效提升模型计算效率和准确率。

这种结合可以让Mamba在处理长序列数据时既能够捕捉到序列中的时间依赖关系，又能够利用CNN的局部特征提取能力来加速处理过程。此外Mamba还避免了Transformer的二次计算复杂性，与CNN的结合在计算上更加高效，实现计算效率与模型性能的双赢。

作为24年AI顶会的新密码，Mamba+CNN的研究热度高涨，是非常有前景的研究方向！

为了让大家更好的掌握这个创新思路，然后运用到自己的文章中，我为大家整理了Mamba+CNN的研究论文！需要的同学扫码领取！

需要的同学添加公众号【沃的顶会】 回复 曼巴CNN 即可全部领取

CM-UNet: Hybrid CNN-Mamba UNet for Remote Sensing Image Semantic Segmentation 

文章解析

本文提出了CM-UNet，一种结合CNN与Mamba架构的混合UNet模型，用于遥感图像的高效语义分割。

CM-UNet通过CNN编码器提取多尺度特征，利用基于CSMamba的解码器集成全局信息，并通过多尺度注意力聚合和多输出监督进一步提升分割性能，在多个数据集上展现了优越性。

创新点

1.混合架构：结合CNN和Mamba的优势，提出CM-UNet框架，有效集成局部和全局信息进行遥感图像语义分割。

2.CSMamba块：创新性地引入通道和空间注意力到Mamba块中，提升特征交互和全局局部信息融合能力。

3.MSAA模块：设计多尺度注意力聚合模块，细化CNN编码器的输出特征，增强解码器性能。

需要的同学添加公众号【沃的顶会】 回复 曼巴CNN 即可全部领取

U-Mamba: Enhancing Long-range Dependency for Biomedical Image Segmentation

文章解析

本文提出了一种名为U-Mamba的新型网络架构，旨在解决生物医学图像分割中的长距离依赖性问题。

U-Mamba结合了卷积神经网络（CNN）和状态空间序列模型（SSM）的优势，构建了一个混合架构，能够高效地捕获图像的局部精细特征和长距离上下文信息。

创新点

1.混合CNN-SSM架构：U-Mamba创新性地结合了CNN的局部特征提取能力和SSM的长距离依赖建模能力，构建了一个既能捕捉精细特征又能理解全局上下文的分割网络。

2.自配置能力：U-Mamba具备自我配置的能力，能够无缝适应不同的数据集，增强了其在多种生物医学分割任务中的可扩展性和灵活性。

3.线性复杂度：与基于Transformer的架构相比，U-Mamba在特征尺寸上实现了线性缩放，避免了二次复杂度的问题，提高了计算效率。

需要的同学添加公众号【沃的顶会】 回复 曼巴CNN 即可全部领取

LKM-UNet: Large Kernel Vision Mamba UNet for Medical Image Segmentation

文章解析

本文提出了一种新的医疗图像分割模型——LKM-UNet，该模型基于Mamba架构，并引入了大型核（Kernel）以提升长距离依赖建模能力。

LKM-UNet特别针对2D和3D医疗图像分割任务设计，通过在大规模状态空间模型（SSM）中引入大型核，显著提高了模型的感受野，从而能够捕获更丰富的全局和局部特征信息。

创新点

1.大型核Mamba设计：LKM-UNet采用大型核Mamba块（LM块），通过分配大型窗口（或核）给SSM层，实现了大的感受野，从而增强了模型的空间建模能力。

2.双向Mamba结构：设计了一种双向Mamba结构，通过同时进行前向和后向扫描，提高了位置感知序列建模能力，减少了输入顺序对权重的影响。

3.层次化Mamba设计：提出了包含像素级SSM（PiM）和块级SSM（PaM）的层次化Mamba设计，分别处理局部邻域像素信息和长距离依赖关系。

需要的同学添加公众号【沃的顶会】 回复 曼巴CNN 即可全部领取