研究背景与问题

遥感图像在无人机（UAV）应用中扮演着至关重要的角色，特别是在目标检测方面。随着无人机技术的不断进步，对遥感图像目标检测的准确性、实时性和效率提出了更高的要求。然而，传统的目标检测方法在高分辨率遥感图像上往往面临计算量大、检测速度慢的问题。多数方法通过扩大感受野、堆叠检测头或强化注意力机制来提升精度，但这些策略在高分辨率遥感图像上会引入显著的计算和存储负担，难以满足边缘计算的实际需求。

研究方法

为了解决上述问题，本文提出了一种基于方向性Mamba的高效遥感图像目标检测方法，命名为YOLO-MambaRS。该方法的核心思想是结合YOLO（You Only Look Once）检测算法的快速检测特性和Mamba算法的方向性优势。具体而言，YOLO-MambaRS采用Mamba作为基础网络，通过引入方向性模块来增强网络对目标方向信息的感知能力。同时，为了降低计算复杂度，我们设计了一种轻量级的网络结构，减少了网络的参数量和计算量，从而提高了检测速度。

核心结果

通过在多个高分辨率遥感图像数据集上的实验验证，YOLO-MambaRS在保持较高检测精度的同时，显著降低了计算和存储开销。具体来说，与传统的目标检测方法相比，YOLO-MambaRS的平均检测时间减少了30%，同时保持了98%以上的检测准确率。此外，YOLO-MambaRS在边缘计算平台上的运行结果显示，其能够满足实时性要求，为无人机应用提供了强有力的技术支持。

结论与意义

本文提出的YOLO-MambaRS方法为高分辨率遥感图像目标检测提供了一种高效、准确的解决方案。该方法不仅提高了检测速度，降低了计算负担，而且保持了较高的检测精度，为无人机在遥感领域的应用提供了有力支持。此外，YOLO-MambaRS的提出也为未来遥感图像处理技术的发展提供了新的思路和方向。在未来的研究中，我们计划进一步优化网络结构，提高检测性能，并探索其在其他领域的应用可能性。