CDMamba：将局部信息融入 Mamba 以进行遥感图像二分类变检测
计算机视觉与模式识别
2025-05-20 v2
摘要
最近，基于状态空间模型（state space models）的 Mamba 架构在一系列自然语言处理任务中展现了显著性能，并快速应用于遥感变检测（CD）任务。然而，大多数方法通过直接修改 Mamba 的扫描模式来增强全局感受野，忽略了局部信息在稠密预测任务（例如二分类变检测）中所起的关键作用。在本文中，我们提出一种名为 CDMamba 的模型，有效地将全局特征和局部特征用于处理二分类 CD 任务。具体来说，提出了 Scaled Residual ConvMamba（SRCM）模块，以利用 Mamba 提取全局特征的能力和卷积来增强局部细节，以缓解当前 Mamba-based 方法缺乏细节线索且难以在稠密预测任务中实现精细检测的问题。此外，考虑到二时序特征交互对变检测所必需的特点，提出了自适应全局局部引导融合（Adaptive Global Local Guided Fusion，AGLGF）模块，以便由其他时序的全局/局部特征引导二时序交互。我们的直觉是，通过其他时序特征的引导，可以获得更具辨别力的变更特征。对五个数据集进行大量实验表明，我们提出的 CDMamba 在当前方法（例如在 LEVIR+CD 和 CLCD 上的 F1/IoU 分别提高了 2.10%/3.00% 和 2.44%/2.91%）方面与当前方法相当。我们的代码已开源于 https://github.com/zmoka-zht/CDMamba。
引用
@article{arxiv.2406.04207,
title = {CDMamba: Incorporating Local Clues into Mamba for Remote Sensing Image Binary Change Detection},
author = {Haotian Zhang and Keyan Chen and Chenyang Liu and Hao Chen and Zhengxia Zou and Zhenwei Shi},
journal= {arXiv preprint arXiv:2406.04207},
year = {2025}
}