複雑な天候や動的なシーン下では、小さな対象物の検出は霧の影響や特徴の弱化を受けやすく、既存の手法はリアルタイム性と堅牢性の面で依然として課題がある。そこで、本論文は効率性と強い堅牢性を兼ね備えた検出モデルを構築し、霧の日の小さな対象物検出性能を向上させることを目的とする。Mamba-Transformerに基づくハイブリッド状態空間検出ネットワークHS-MambaDetを提案する。まず、計算コスト削減のために隠れ状態圧縮と状態空間モデリングを融合したHSM-SSDバックボーン構造を設計し、その後、高周波知覚モジュールと空間依存知覚モジュールを含むマルチスケール周波数空間融合器（MFSF）を導入して小さな対象物の細部表現と空間コンテキストモデリングを強化した。全体のフレームワークはCNN、Transformer、Mambaのハイブリッド構造を採用し、それぞれ局所特徴抽出、グローバルコンテキストモデリング、線形再帰構造の効率的な結合を実現している。RTTSとCityScapesデータセットでの多数の実験により、HS-MambaDetは精度と効率の両面で既存の主流モデルを上回ることが示された。RTTSでの完全なモデルの予測精度は87.3%、リコール73.1%、mAP@0.5は81.2%、mAP@(0.5~0.95)は51.0%であり、比較モデルに対して最大で3.8%、3.9%、3.6%、3.3%の向上を示した。推論時間は0.26秒で良好なリアルタイム性を維持している。さらに、小さな対象物のシーンでは、本モデルのmAP@0.5が最大4.4%向上し、霧の濃度変化におけるテストでより強い一般化能力を示した。HS-MambaDetは効率的な隠れ状態圧縮機構とマルチスケール周波数空間融合構造を導入することで、霧の条件下での小さな対象物の細部認識と空間モデリング能力を効果的に強化し、検出精度、堅牢性、推論効率の面で顕著な利点を達成し、動的で過酷な環境におけるリアルタイム対象検出のための実用的かつ効率的なソリューションを提供する。

対象検出; Mamba; 高周波認識; 隠れ状態圧縮融合