Vision Mamba
Vision Mamba is een efficiënte state space model (SSM) benadering voor beeldverwerking, geïntroduceerd in 2024, die Mamba, een sequentiemodel met lineaire complexiteit, aanpast voor computer vision. Door beeldtokens te herformuleren als sequenties en state space modellen te gebruiken, bereikt Vision Mamba een competitieve nauwkeurigheid met transformers, terwijl de lineaire computationele complexiteit behouden blijft.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Zhu, L., Liao, B., Zhang, Q., Wang, X., Liu, W., & Wang, X. (2024). Vision Mamba: Efficient state space models for image understanding. In International Conference on Machine Learning. link ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Vision Mamba: Efficient State Space Models for Image Understanding. ScholarGate. https://scholargate.app/nl/deep-learning/vision-mamba
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Mamba (State Space Model)Deep learning↔ compare
- Ruimtelijke-Temporele Grafische Convolutie NetwerkenDeep learning↔ compare
- Swin TransformerDeep learning↔ compare
- Transformator voor Visuele WaarnemingDeep learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →