Vision Mamba: A Comprehensive Survey and Taxonomy

状态空间模型（SSM）是一种用于描述和分析动态系统行为的数学模型。该模型在多个领域得到了广泛应用，包括控制理论、信号处理、经济学和机器学习。在深度学习领域，状态空间模型被用于处理序列数据，例如时间序列分析、自然语言处理（NLP）和视频理解。通过将序列数据映射到状态空间，可以更好地捕捉数据中的长期依赖关系。特别是，现代状态空间模型在NLP中表现出强大的表示能力，尤其是在长序列建模方面，同时保持线性时间复杂度。值得注意的是，基于最新的状态空间模型，Mamba将时变参数合并到SSM中，并制定了一种面向硬件的算法，用于高效的训练和推理。鉴于其卓越的效率和强大的长程依赖建模能力，Mamba有望成为一种新的AI架构，可能优于Transformer。最近，许多研究尝试了解Mamba在各个领域的潜力，例如通用视觉、多模态、医学图像分析和遥感图像分析，通过将Mamba从自然语言领域扩展到视觉领域。为了充分了解Mamba在视觉领域中的应用，我们进行了全面的调查和分类研究。这项调查重点关注Mamba在各种视觉任务和数据类型中的应用，并讨论了其前身、最新进展以及对各种领域的深远影响。由于Mamba现在正在上升趋势，请及时通知我们如果您有新的发现，新的进展将及时包含在这项调查中，并更新在Mamba项目中：https://github.com/lx6c78/Vision-Mamba-A-Comprehensive-Survey-and-Taxonomy。

Mamba在视觉领域的应用和发展

将Mamba从自然语言领域扩展到视觉领域，提高其在序列数据处理中的表现，特别是在长序列建模方面，同时保持线性时间复杂度。

该论文对Mamba在视觉任务和数据类型上的应用进行了全面的调查和分类研究，讨论了其前身、最新进展以及对各个领域的深远影响。实验中使用了多个数据集，并提供了开源代码。Mamba被认为是一种新的AI架构，有望在效率和强大的长程依赖建模能力方面优于Transformer。

该领域的相关研究包括：基于Mamba的通用视觉、多模态、医学图像分析和遥感图像分析等。