qq_64693987的博客

Mona提出了一种创新的视觉适配器方案，通过多尺度深度卷积和输入优化机制，解决了双Backbone架构下全量微调的资源消耗问题。其核心采用3×3/5×5/7×7多尺度卷积组捕捉不同层级视觉特征，配合缩放归一化层调节输入分布，在YOLO等模型中实现了超越全量微调的性能。实验表明，Mona在COCO等数据集上有效平衡了双Backbone的特征融合，尤其提升了小目标检测能力，为高效视觉模型优化提供了新范式。（149字）

MambaOut提出了一种针对视觉任务的轻量化架构，通过移除Mamba模型的状态空间模型（SSM），仅保留门控CNN块，实现了更高效的视觉特征提取。研究表明，视觉任务主要依赖局部特征和并行计算，而非Mamba的长序列建模优势。MambaOut采用分层门控CNN设计，参数规模减少40%-60%，计算量降低30%以上，在ImageNet分类中性能超越视觉Mamba模型。该架构可轻松集成到YOLO等目标检测框架中，尤其适合短序列和非自回归任务。

双Backbone架构在实时目标检测领域应运而生，旨在突破传统单Backbone架构的局限性。单Backbone架构如YOLOv12虽在速度和精度上取得平衡，但在特征表达和模态融合方面存在不足，尤其在复杂场景和多尺度目标检测中表现受限。双Backbone架构通过并行特征提取路径，实现多维度信息互补，提升模型性能。其设计包括共享输入型和双输入型，前者通过不同Backbone提取多层次特征并融合，后者处理不同输入源以支持跨模态融合。多元组合策略如CNN+CNN、CNN+Transformer和CNN+Mamba