智东西1月22日消息，1月18日，来自中国科学院、华为、鹏城实验室的研究人员推出一个新的视觉模型VMamba（Visual State Space Model，视觉状态空间模型）。CNN（卷积神经网络）和ViTs（视觉Transformer）是视觉领域当下最主流的两种基础模型，但这两种模型的计算复杂度都较高。通过对全局接受域和动态权重的结合，ViTs实现了卓越的视觉建模性能。这一观察结果促使团队提出一种新的架构VMamba，该架构继承了这些组件，同时提高了计算效率。大量的实验结果证实，VMamba不仅在各种视觉感知任务中表现出提升，而且随着图像分辨率的增加，它比现有基准显示出更明显的优势。VMamba-S在ImageNet-1K上达到83.5%的正确率，比Vim-S高3.2%，比Swin-S高 0.5%。

论文地址:

https://arxiv.org/pdf/2401.10166.pdf

GitHub地址:

https://github.com/MzeroMiko/VMamba