对于VIT来说，Transformers虽然功能强大，但通常需要大量的计算资源，特别是对于高分辨率图像。Vision Mamba旨在通过提供更有效的替代方案来解决这个问题。
Vision Mamba vs Transformers
这篇论文主要由华中科技大学、地平线机器人、北京人工智能研究院的研究人员贡献，深入研究了Mamba 是如何处理视觉任务的。Mamba的效率来自于它的双向状态空间模型，与传统的Transformer模型相比，理论上可以更快地处理图像数据。
处理图像本质上比处理文本要复杂得多。因为图像不仅仅是像素的序列;它们还包含复杂的模式，变化的空间关系，以及理解整体环境的需要。这种复杂性使得视觉数据的有效处理成为一项具有挑战性的任务，特别是在规模和高分辨率下。
Vision Mamba （Vim）
Mamba块是Vim的一个关键特性，通过使用位置嵌入标记图像序列，并使用双向状态空间模型压缩视觉表示，Vision Mamba可以有效地捕获图像的全局上下文。这种方法解决了可视数据固有的位置敏感性，这是传统Transformer模型经常遇到的一个关键问题，特别是在更高分辨率下。
Vision Mamba Encoder
Vim模型首先将输入图像划分为小块，然后将小块投影到令牌中。这些令牌随后被输入到Vim编码器中。对于像ImageNet分类这样的任务，在令牌标记序列中添加了一个额外的可学习分类标记（这个标记是重BERT开始一致这样使用的）。与用于文本序列建模的Mamba模型不同，Vim编码器在正向和反向两个方向上处理标记序列。
还记得双向LSTM么，Vim的一个突出特点是它的双向处理能力。与许多以单向方式处理数据的模型不同，Vim的编码器以向前和向后的方向处理标记。双向模型允许对图像上下文进行更丰富的理解，这是准确图像分类和分割的关键因素。
基准测试结果及表现
在ImageNet分类、COCO对象检测和ADE20K语义分割方面，Vim不仅表现出更高的性能，而且还表现出更高的效率。例如，在处理高分辨率图像(1248 × 1248)时，Vim比DEIT快2.8倍，同时节省了86%的GPU内存。考虑到在高分辨率图像处理中经常遇到的内存限制，这是一个非常大的进步。
与VIT的比较分析
这篇论文并没有仅仅停留在比较VIM和DEIT。它还包括与VIT的比较。虽然VIT确实是一个强大的模型，但VIM在效率和性能上仍然超过它，特别是随着分辨率的增加。这种比较为评估VIM的能力提供了更广泛的背景。
高分辨率图像处理
论文还强调了高分辨率图像处理在各个领域的重要性。例如在卫星图像中，高分辨率对于详细分析和准确结论至关重要。同样在PCB制造等工业环境中，在高分辨率图像中检测微小故障的能力对于质量控制至关重要。VIM在处理此类任务方面的也非常有可比性。
总结
论文介绍了一种将Mamba用于视觉任务的方法，该方法利用双向状态空间模型(ssm)进行全局视觉上下文建模和位置嵌入。这种方法标志着传统的注意力机制可能会退出历史的舞台，因为VIM展示了一种有效的方法来掌握视觉数据的位置上下文，而不需要基于transformer的注意机制。
VIM以其次二次的时间计算和线性内存复杂性与Transformer模型中典型的二次增长形成鲜明对比。这一点使得VIM特别适合处理高分辨率图像。
通过对ImageNet分类等基准的全面测试，验证了VIM的性能和效率，证明可以将其应用在计算机视觉领域强大模型的地位。
论文地址：
https://avoid.overfit.cn/post/7171ae82866d4b07853266073485e8cb
作者：azhar
