MambaPSA: A Mamba-based Replacement for C2PSA in YOLO26

📄 arXiv: 2607.12681v1 📥 PDF

作者: Sheng-Wei Chan, Chia-Min Lin, Hsin-Jui Pan, Ching-Yu Tsai, Chih-Hsiang Yang, Yung-Che Wang, Jen-Shiun Chiang

分类: cs.CV

发布日期: 2026-07-14

💡 一句话要点

提出MambaPSA以替代YOLO26中的C2PSA模块

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 状态空间模型 YOLO26 对象检测 自注意力机制 计算复杂度 轻量级模型 推理速度 准确率提升

📋 核心要点

  1. 现有的YOLO26框架在处理对象检测时，依赖于计算复杂度较高的自注意力机制，导致效率低下。
  2. 本文提出MambaPSA，利用Mamba模型替代YOLO26中的C2PSA模块，以降低计算复杂度并提高推理速度。
  3. 实验结果显示，MambaPSA在保持准确率的同时，显著减少了参数和FLOPs，并提高了CPU推理吞吐量。

📝 摘要（中文）

状态空间模型（SSMs），尤其是Mamba，最近成为了自注意力机制的高效替代方案，具有线性计算复杂度。本文研究了将Mamba集成到YOLO26中，提出了MambaPSA，作为骨干网络末端C2PSA模块的轻量级替代方案。此外，我们在颈部的P3、P4和P5层插入了双向视觉Mamba（BiViM）模块。实验结果表明，MambaPSA在PASCAL VOC 2007+2012数据集上减少了2.9%的参数和12.1%的FLOPs，同时CPU推理吞吐量提高了17.6%（从17 FPS提升至20 FPS），准确率变化微小（-0.1 mAP50:95），而P4层的BiViM模块则带来了最佳的准确率提升（+0.9 mAP50:95）。这些结果表明，SSMs在替代NMS-free轻量级检测器中的基于注意力的模块时，提供了良好的效率与准确率的权衡。

🔬 方法详解

问题定义：现有的YOLO26框架在对象检测中使用C2PSA模块，导致计算复杂度较高，影响推理速度和效率。

核心思路：本文提出MambaPSA，利用Mamba模型替代C2PSA模块，旨在降低计算复杂度，同时保持检测性能。通过在网络的P3、P4和P5层插入双向视觉Mamba（BiViM）模块，进一步提升准确率。

技术框架：MambaPSA的整体架构包括Mamba替代C2PSA模块的骨干网络，以及在颈部插入的BiViM模块。该框架旨在实现高效的对象检测，避免传统NMS的计算开销。

关键创新：MambaPSA的主要创新在于引入Mamba模型作为轻量级替代方案，显著降低了参数和FLOPs，同时通过BiViM模块提升了检测准确率。这一设计与传统的自注意力机制形成鲜明对比。

关键设计：在MambaPSA中，参数设置经过优化，以确保在减少计算量的同时，保持模型的准确性。损失函数和网络结构设计也经过精心调整，以适应新的模块集成。具体的参数和结构细节在实验部分进行了详细描述。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，MambaPSA在PASCAL VOC 2007+2012数据集上减少了2.9%的参数和12.1%的FLOPs，同时CPU推理吞吐量提高了17.6%（从17 FPS提升至20 FPS），准确率变化微小（-0.1 mAP50:95）。P4层的BiViM模块则带来了最佳的准确率提升（+0.9 mAP50:95），展现了良好的效率与准确率的权衡。

🎯 应用场景

该研究的潜在应用场景包括实时对象检测、自动驾驶、监控系统等领域。MambaPSA的高效性使其能够在资源受限的环境中运行，具有重要的实际价值和广泛的应用前景。未来，随着技术的进一步发展，MambaPSA可能会在更多的计算机视觉任务中得到应用。

📄 摘要（原文）

State space models (SSMs), notably Mamba, have recently emerged as efficient alternatives to self-attention with linear computational complexity. We investigate the integration of Mamba into YOLO26, the latest non-maximum suppression (NMS)-free object detection framework, by proposing MambaPSA, a lightweight Mamba-based replacement for the C2PSA block at the end of the backbone. To complement this study, we additionally insert a bidirectional Vision Mamba (BiViM) module at the P3, P4, and P5 levels of the neck. Experiments on PASCAL VOC 2007+2012 show that MambaPSA reduces parameters by 2.9%, FLOPs by 12.1%, and improves CPU inference throughput by 17.6% (from 17 to 20 FPS) with negligible accuracy change (-0.1 mAP50:95), while the P4 BiViM placement yields the best accuracy gain (+0.9 mAP50:95). These results suggest that SSMs offer a favorable efficiency-accuracy trade-off when replacing attention-based blocks in NMS-free lightweight detectors.