Beyond Quadratic: Linear-Time Change Detection with RWKV
计算机视觉与模式识别
2026-03-23 v1
摘要
现有的遥感改变检测范例陷入了一种权衡：CNN 在效率方面表现出色但缺乏全局上下文，而 Transformer 能捕获长程依赖但计算成本高昂。本文引入 ChangeRWKV，一种新型架构，用于解决这一冲突。基于 Receptance Weighted Key Value (RWKV) 框架，ChangeRWKV 独特地将 Transformer 的可并行训练与 RNN 的 linear-time 推断相结合。我们的方法具有两个核心特征：基于层次 RWKV 编码器构建多分辨率特征表示，以及一种 novel Spatial-Temporal Fusion Module (STFM) 用于解决跨尺度的空间错位，同时提炼细粒度的时间差异。ChangeRWKV 不仅在 LEVIR-CD 数据集上实现了 state-of-the-art 性能（85.46% IoU 和 92.16% F1 分数），而且大幅度减少了参数和 FLOPs 相较于以往领先方法。本工作展示了一种 new、efficient 且 powerful 的 operational-scale 改变检测范例。我们的 code 和 model 均公开可用。
引用
@article{arxiv.2603.19606,
title = {Beyond Quadratic: Linear-Time Change Detection with RWKV},
author = {Zhenyu Yang and Gensheng Pei and Tao Chen and Xia Yuan and Haofeng Zhang and Xiangbo Shu and Yazhou Yao},
journal= {arXiv preprint arXiv:2603.19606},
year = {2026}
}