В сложных метеоусловиях и динамичных сценах обнаружение небольших объектов подвержено влиянию тумана и ослаблению признаков, существующие методы все еще недостаточно эффективны с точки зрения быстродействия и устойчивости. В связи с этим в данной работе ставится цель создания модели обнаружения с высокой эффективностью и сильной устойчивостью для повышения качества обнаружения мелких объектов в туманный день. Предлагается гибридная сеть обнаружения пространственных состояний HS-MambaDet на основе Mamba-Transformer. Сначала разработана базовая структура HSM-SSD, объединяющая сжатие скрытых состояний и моделирование пространства состояний для уменьшения вычислительной сложности; затем введён многоуровневый частотно-пространственный интегратор (MFSF) с модулями восприятия высоких частот и пространственных зависимостей для усиления детального выражения мелких объектов и пространственного контекстного моделирования. Общая архитектура сочетает в себе CNN, Transformer и Mamba, обеспечивая локальное извлечение признаков, глобальное контекстное моделирование и эффективное объединение линейной рекурсивной структуры. Обширные эксперименты на наборах данных RTTS и CityScapes показали, что HS-MambaDet превосходит современные модели как по точности, так и по эффективности. Точность предсказания полной модели на RTTS составила 87.3%, полнота — 73.1%, mAP@0.5 — 81.2%, mAP@(0.5~0.95) — 51.0%, с максимальным улучшением по сравнению с образцами на 3.8%, 3.9%, 3.6% и 3.3% соответственно; время вывода составляет 0.26 с, что обеспечивает хорошую оперативность. Кроме того, в сценах с мелкими объектами максимальное улучшение mAP@0.5 достигло 4.4%, а в тестах с разной интенсивностью тумана модель показала более высокую обобщающую способность. HS-MambaDet эффективно улучшает восприятие деталей и пространственное моделирование мелких объектов при туманной погоде благодаря введению механизма сжатия скрытых состояний и многоуровневой частотно-пространственной интеграции, достигая значительных преимуществ в точности, устойчивости и эффективности вывода, предлагая жизнеспособное и эффективное решение для обнаружения объектов в динамичных сложных условиях.

обнаружение объектов; Mamba; восприятие высоких частот; интеграция сжатия скрытых состояний