MemoryMamba: Memory-Augmented State Space Model for Defect Recognition

随着自动化在制造业中的不断发展，对精确和复杂的缺陷检测技术的需求也越来越大。现有的缺陷识别视觉模型无法处理当代制造业中缺陷的复杂性和变化。这些模型在缺乏数据或数据不平衡的情况下尤其难以应对。本文介绍了MemoryMamba，一种新颖的记忆增强状态空间模型（SSM），旨在克服现有缺陷识别模型的局限性。MemoryMamba将状态空间模型与记忆增强机制相结合，使系统能够在训练中维护和检索关键的缺陷特定信息。其架构旨在捕捉依赖关系和复杂的缺陷特征，这对于有效的缺陷检测至关重要。在实验中，MemoryMamba在四个具有不同缺陷类型和复杂性的工业数据集上进行了评估。该模型始终表现优于其他方法，证明了其适应各种缺陷识别场景的能力。

MemoryMamba论文旨在解决现有视觉模型在处理制造业中的复杂缺陷检测问题时的不足，尤其是在有限或不平衡的缺陷数据情况下。

MemoryMamba是一种结合了状态空间模型和记忆增强机制的新型模型，能够捕捉复杂缺陷特征，有效地进行缺陷检测。

MemoryMamba在四个工业数据集上进行了实验验证，并且表现出比其他方法更好的性能。论文提供了开源代码，为进一步研究提供了便利。

与MemoryMamba相关的研究包括使用深度学习进行缺陷检测的其他方法，如SSD、YOLO、Mask R-CNN等。