CloudMamba：用于遥感影像云检测的不确定性引导双尺度Mamba网络
计算机视觉与模式识别
2026-04-09 v1
摘要
遥感影像中的云检测是一个基础性、关键性且极具挑战性的问题。现有的基于深度学习的云检测方法通常将其表述为具有单次前向传播的单阶段像素级二值分割任务。然而，这类单阶段方法在薄云区域表现出模糊性和不确定性，并且难以准确处理碎片化云和边界细节。本文提出了一种新颖的深度学习框架CloudMamba。为解决薄云区域的模糊性，我们引入了一种不确定性引导的两阶段云检测策略。嵌入的不确定性估计模块被提出用于自动量化薄云分割的置信度，并引入第二阶段精细化分割以提高低置信度困难区域的准确性。为更好地处理碎片化云和细粒度边界细节，我们设计了一种基于CNN-Mamba混合架构的双尺度Mamba网络。与具有二次计算复杂度的基于Transformer的模型相比，所提方法在保持线性计算复杂度的同时，有效捕获云的大尺度结构特征和小尺度边界细节，实现对整体云形态的准确 delineation 和精确边界分割。在GF1_WHU和Levir_CS公开数据集上进行的广泛实验表明，所提方法在多个分割精度指标上优于现有方法，同时具有高效率和过程透明性。我们的代码可在 https://github.com/jayoungo/CloudMamba 获取。
引用
@article{arxiv.2604.06844,
title = {CloudMamba: An Uncertainty-Guided Dual-Scale Mamba Network for Cloud Detection in Remote Sensing Imagery},
author = {Jiajun Yang and Keyan Chen and Zhengxia Zou and Zhenwei Shi},
journal= {arXiv preprint arXiv:2604.06844},
year = {2026}
}