标题：YOLO-GDMA：融合动态卷积与Mamba注意力机制的抓取任务目标检测方法
作者：孟维阳
作者单位：沈阳理工大学机械工程学院，辽宁 沈阳 110159
关键字：动态卷积；YOLOv11；Mamba注意力机制；抓取任务
摘要：近年来，YOLO系列目标检测算法在工业抓取任务中取得显著进展，但在特征提取深度、跨尺度信息融合及目标感知精度方面仍存在优化空间。为提升检测精度与模型轻量化表现，提升目标检测在抓取任务中的精度与效率，提出一种融合动态卷积与Mamba注意力机制的抓取任务目标检测方法YOLO-GDMA：①采用DynamicConv替代传统下采样模块，实现更高质量的特征压缩与表达，增强低层特征的语义信息保留能力；②引入Selective Dense Interaction（SDI）机制，提升特征间的语义关联性与上下文建模能力；③基于BiFPN结构构建高效的多尺度特征融合通路，实现跨层级特征间的信息流动态调度与权重分配；④融合Mamba提出MLLA模块（Multi-Level Lightweight Attention），显著提升关键区域的注意力聚焦效果。