في ظل الطقس المعقد والمشاهد الديناميكية، يتأثر اكتشاف الأهداف الصغيرة بسهولة بتشويش الضباب وضعف الميزة، وتظل الطرق الحالية غير كافية من حيث الوقت الحقيقي والصلابة. لهذا الغرض، تهدف هذه الورقة إلى بناء نموذج كشف يتمتع بالكفاءة العالية والصلابة القوية لتحسين أداء اكتشاف الأهداف الصغيرة في الطقس الضبابي. نقترح شبكة الكشف المختلطة للحالة المبنية على Mamba-Transformer المسماة HS-MambaDet. أولا، تم تصميم هيكل HSM-SSD الذي يدمج ضغط الحالة المخفية مع نمذجة فضاء الحالة لتقليل التعقيد الحسابي؛ ثم تم إدخال موحّد الدمج متعدد المقاييس لترددات الفضاء (MFSF) الذي يحتوي على وحدة إدراك التردد العالي ووحدة إدراك الاعتماد المكاني لتعزيز التعبير التفصيلي للأهداف الصغيرة ونمذجة السياق المكاني. يستخدم الإطار العام بنية هجينة تجمع بين CNN وTransformer وMamba لتحقيق استخراج الميزات المحلية، ونمذجة السياق العالمي، والربط الفعال للهيكل التكراري الخطي على التوالي. أظهرت التجارب المكثفة على مجموعات بيانات RTTS وCityScapes أن HS-MambaDet يتفوق على النماذج السائدة الحالية من حيث الدقة والكفاءة. وكانت دقة التنبؤ للنموذج الكامل على RTTS 87.3%، ومعدل الاستدعاء 73.1%، وmAP@0.5 بنسبة 81.2%، وmAP@ (0.5~0.95) بنسبة 51.0%، مع تحسن يصل إلى 3.8%، 3.9%، 3.6% و3.3% مقارنة بأفضل النماذج؛ كما بلغ وقت الاستدلال 0.26 ثانية، محافظًا على زمن استجابة جيد. علاوة على ذلك، حقق النموذج تحسنًا أقصى في mAP@0.5 بنسبة 4.4% في مشاهد الأهداف الصغيرة، وأظهر قدرة تعميم أقوى في اختبارات كثافة الضباب المتفاوتة. يعزز HS-MambaDet بشكل فعال إدراك التفاصيل ونمذجة الفضاء للعناصر الصغيرة تحت ظروف الطقس الضبابي من خلال إدخال آلية ضغط الحالة المخفية الفعالة وتركيب الدمج متعدد المقاييس لترددات الفضاء، محققًا ميزة ملحوظة من حيث الدقة، الصلابة، وكفاءة الاستدلال، ويقدم حلاً عمليًا وفعالًا للكشف اللحظي عن الأهداف في البيئات الديناميكية القاسية.

كشف الأهداف; Mamba; الإدراك الترددي العالي; دمج ضغط الحالة المخفية