面向MODIS时序数据的知识感知Mamba用于联合变化检测与分类
计算机视觉与模式识别
2025-10-14 v1
摘要
尽管使用MODIS时序进行变化检测对于环境监测至关重要，但该任务面临诸多挑战，包括混合像元、时空光谱信息耦合效应以及背景类别异质性等关键MODIS难题。本文提出了一种新颖的知识感知Mamba（Knowledge-Aware Mamba, KAMamba）用于提升MODIS变化检测，具体贡献如下：首先，为了利用关于类别转换的知识，我们设计了一种基于知识的转换矩阵引导方法，形成知识感知转换损失（KAT-loss），以提升检测准确性；其次，为改进模型约束，设计了多任务学习方法，其中包括预变化分类损失（PreC-loss）、后变化分类损失（PostC-loss）和变化检测损失（Chg-loss）用于提升模型学习；再次，为解耦MODIS时序中的信息耦合，设计了创新的时空光谱Mamba（Spatial-Spectral-Temporal Mamba, SSTMamba）模块；最后，为提升Mamba模型效率并降低计算成本，采用稀疏可变形Mamba（Sparse and Deformable Mamba, SDMamba）作为SSTMamba的背板。在加拿大萨斯喀彻温的MODIS时序数据集上进行实验，评估了该方法在土地覆盖变化检测和土地利用/覆盖分类方面的表现；结果表明，相较于基线方法，变化检测平均F1分数提升约1.5%-6%，土地利用/覆盖分类中准确率（OA）、平均值（AA）和Kappa系数提升约2%。
引用
@article{arxiv.2510.09679,
title = {Knowledge-Aware Mamba for Joint Change Detection and Classification from MODIS Times Series},
author = {Zhengsen Xu and Yimin Zhu and Zack Dewis and Mabel Heffring and Motasem Alkayid and Saeid Taleghanidoozdoozan and Lincoln Linlin Xu},
journal= {arXiv preprint arXiv:2510.09679},
year = {2025}
}