PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.24928v2cs.CV

MambaDSF: 소나 소형 표적 탐지를 위한 확장 특징 융합 기반 다중 스케일 SSM

MambaDSF: Multi-Scale SSM with Dilated Feature Fusion for Sonar Small Target Detection

소나 이미징은 수중 표적 탐지를 위한 주요 모달리티이지만, 불충분한 픽셀 커버리지, 낮은 음향 대비, 이미징 거리에 따른 스케일 모호성으로 인해 소형 표적을 탐지하는 것은 여전히 어렵습니다. CNN 기반 탐지기는 국소 특징을 효율적으로 추출하지만 전역적인 음향 컨텍스트 없이는 노이즈로 인한 오경보를 억제하지 못합니다. 트랜스포머(Transformer) 기반 방법은 2차(quadratic) 계산 비용으로 장거리 의존성을 포착합니다. 기존의 맘바(Mamba) 기반 비전 모델은 효율적인 선형 비용 스캐닝을 제공하지만, 신뢰할 수 있는 소나 탐지에 필요한 피라미드 레벨 간 다중 스케일 시맨틱 정렬, 다중 수용영역 융합, 소형 표적 인지 학습 지도(supervision)가 부족합니다. 본 논문에서는 세 가지 기여를 통해 이러한 한계를 해결하는 하이브리드 프레임워크인 Mamba Dilated-Scale Fusion(MambaDSF)을 제안합니다. 선형 복잡도로 국소 에코 단서와 전역 음향 컨텍스트를 함께 포착하는 Mamba Enhanced Feature Pyramid(MambaEFP) 백본, 피라미드 레벨 간 다중 스케일 특징 정렬을 강화하는 Dilate Fusion Mamba(DFMamba) 인코더, 소형 표적 학습을 안정화하는 Scale-Adaptive Weighted IoU(SA-WIoU) 및 Cross-Scale Coherence(CSC) 손실 함수입니다. MambaDSF는 2,870만 개의 파라미터로 UATD 전방 관측 소나 벤치마크에서 91.5% mAP50을 달성하여 비교 대상인 모든 탐지기를 능가했습니다. 소형 표적 서브셋에서는 성능 향상이 +2.2%p에 달했으며, FLS 및 MD-FLS에 대한 도메인 간 평가를 통해 제안된 아키텍처의 일반화 성능을 확인했습니다. 코드는 https://github.com/IDontKnowAAA/MambaDSF 에서 공개되어 있습니다.