目錄

一、引言：從 CNN 到 Mamba 的視覺建模進化之路

二、模型關鍵組成部分解析

（一）CNN 基干：局部特征提取器

（二）Mamba 塊：長程依賴建模核心

（三）注意力機制：特征交互增強器

三、模型創新點

四、模型原理與作用

五、優缺點對比

六、應用領域

---

一、引言：從 CNN 到 Mamba 的視覺建模進化之路

在計算機視覺領域，卷積神經網絡（CNN）憑借局部特征提取能力奠定了基石地位，但其在長程依賴建模上存在天然缺陷；視覺 Transformer（ViT）通過自注意力機制突破全局關聯限制，卻受困于O(n4)的超高計算復雜度。隨著視頻處理、遙感影像分析等復雜任務對長序列建模需求的激增，一種融合狀態空間模型與選擇性注意力的新型架構 ——Mamba+Attention+CNN 預測模型應運而生。它結合了 Mamba 的線性復雜度優勢、Attention 的靈活特征聚焦能力以及 CNN 強大的局部特征提