복잡한 날씨와 동적인 장면에서 작은 객체 탐지는 안개 방해와 특징 약화의 영향을 받기 쉽고, 기존 방법들은 실시간성과 강인성 측면에서 여전히 부족하다. 이에 본 논문은 고효율성과 강한 강인성을 겸비한 탐지 모델을 구축하여 안개 환경에서 작은 객체 탐지 성능을 향상시키는 것을 목표로 한다. 본 연구에서는 Mamba-Transformer 기반의 하이브리드 상태 공간 탐지 네트워크 HS-MambaDet를 제안한다. 먼저, 계산 복잡도를 줄이기 위해 숨겨진 상태 압축과 상태 공간 모델링이 융합된 HSM-SSD 백본 구조를 설계하였으며, 이후 고주파 인지 모듈과 공간 의존성 인지 모듈을 포함하는 다중 스케일 주파수 공간 융합기(MFSF)를 도입하여 작은 객체의 세부 표현과 공간 맥락 모델링을 강화하였다. 전체 프레임워크는 CNN, Transformer 및 Mamba의 하이브리드 구조를 채택하여 국부 특징 추출, 전역 컨텍스트 모델링, 선형 순환 구조의 효율적인 결합을 각각 구현한다. RTTS 및 CityScapes 데이터셋에서 다수의 실험 결과, HS-MambaDet는 정확도와 효율성 면에서 현재 주류 모델보다 우수함을 입증하였다. RTTS에서 완성 모델의 예측 정확도는 87.3%, 재현율은 73.1%, mAP@0.5는 81.2%, mAP@(0.5~0.95)는 51.0%로, 비교 모델 대비 최대 3.8%, 3.9%, 3.6%, 3.3% 향상되었으며, 추론 시간은 0.26초로 양호한 실시간성을 유지하였다. 또한 작은 객체 장면에서 본 모델의 mAP@0.5는 최대 4.4% 향상되었고, 안개 강도 변화 테스트에서 더욱 강한 일반화 능력을 보였다. HS-MambaDet는 효율적인 숨겨진 상태 압축 메커니즘과 다중 스케일 주파수 공간 융합 구조 도입을 통해 안개 조건에서 작은 객체에 대한 세부 인지와 공간 모델링 능력을 효과적으로 강화하여, 탐지 정확도, 강인성 및 추론 효율성에서 현저한 이점을 달성하였으며, 동적 열악 환경에서 실시간 객체 탐지를 위한 실용적이고 효율적인 해결책을 제공한다.

객체 탐지; Mamba; 고주파 인지; 숨겨진 상태 압축 융합