在智能安防、自動駕駛和海洋工程等領域，實時目標檢測技術正面臨嚴峻挑戰：邊緣設備的算力限制與復雜場景的檢測需求形成尖銳矛盾。盡管YOLO系列通過Cross Stage Partial Network（CSPNet）等創新持續優化，但傳統自注意力機制（self-attention）的二次方復雜度（quadratic complexity）使其難以部署于網絡淺層，而輕量化設計往往伴隨性能驟降。更棘手的是，水下等復雜場景中背景干擾會進一步降低現有模型的平均精度（Average Precision, AP）。

大連海事大學的研究團隊在《Engineering Applications of Artificial Intelligence》發表的研究中，創造性地將結構化狀態空間序列模型（Mamba）與卷積神經網絡（CNN）融合。通過分析YOLO^v1到YOLO¹¹的演進脈絡，團隊發現兩個關鍵突破點：長程依賴捕獲與參數效率提升。研究采用三項核心技術：1）在骨干網絡早期嵌入Mamba模塊（線性復雜度），通過輕量化空間注意力補償其方向感知缺陷；2）改進Ghost模塊，利用通道混洗（channel shuffle）提升參數利用率；3）構建混合架構Hybrid-YOLO，在MS COCO和DUO數據集分別采用公開樣本驗證。

實驗驗證
在MS COCO測試中，模型以納米級（nano scale）復雜度實現41.1 AP，較基線提升1.6 AP；水下檢測場景下，DUO數據集69.5 AP的成績超越YOLO¹¹ 0.3 AP。消融實驗（ablation studies）證實：空間注意力使Mamba在Pascal VOC上的AP提升2.1%，改進版Ghost模塊減少15%參數量卻保持同等性能。

結論與意義
該研究首次實現Mamba在視覺任務中的高效適配，其混合架構突破傳統注意力機制（如Partial Self-Attention Module）的計算瓶頸。實際價值體現在：1）為邊緣設備提供AP提升1.6-0.3的解決方案；2）Ghost模塊改進推動輕量化設計理論發展；3）水下檢測驗證拓展應用邊界。團隊公開的代碼庫（Hybrid-YOLO）已獲Fundamental Research Funds for the Central Universities（3132019344）等資助支持。