Mamba-FCS：面向遥感影像增强型语义变化检测的联合空频特征融合、变化引导注意力与SeK损失
图像与视频处理
2026-02-12 v2 计算机视觉与模式识别
信号处理
摘要
基于遥感影像的语义变化检测(SCD)要求模型在广阔的空间上下文、计算效率以及对类别不平衡的土地覆盖转变的敏感性之间取得平衡。卷积神经网络擅长局部特征提取但缺乏全局上下文，而Transformer以高昂的计算成本提供了全局建模能力。近期基于状态空间模型的Mamba架构通过线性复杂度和高效的长程建模提供了引人注目的解决方案。在本研究中，我们引入了Mamba-FCS，一个基于视觉状态空间模型骨干构建的SCD框架，该框架融合了：一个联合空频融合模块，该模块结合对数幅度频域特征以增强边缘清晰度并抑制光照伪影；一个变化引导注意力(CGA)模块，明确连接了自然交织的二值变化检测(BCD)和SCD任务；以及一个专为类别不平衡性能优化而定制的分离Kappa(SeK)损失。在SECOND和Landsat-SCD数据集上的广泛评估表明，Mamba-FCS达到了最先进的指标：在SECOND上，总体精度为88.62%，F_scd为65.78%，SeK为25.50%；在Landsat-SCD上，总体精度为96.25%，F_scd为89.27%，SeK为60.26%。消融分析证实了每个新组件的独特贡献，定性评估则突显了SCD方面的显著改进。我们的结果强调了Mamba架构在结合所提技术后的巨大潜力，为遥感应用中有效且可扩展的语义变化检测设立了新的基准。完整的源代码、配置文件和预训练模型将在发表后公开。
引用
@article{arxiv.2508.08232,
title = {Mamba-FCS: Joint Spatio- Frequency Feature Fusion, Change-Guided Attention, and SeK Loss for Enhanced Semantic Change Detection in Remote Sensing},
author = {Buddhi Wijenayake and Athulya Ratnayake and Praveen Sumanasekara and Roshan Godaliyadda and Parakrama Ekanayake and Vijitha Herath and Nichula Wasalathilaka},
journal= {arXiv preprint arXiv:2508.08232},
year = {2026}
}
备注
19 pages, 13 Figures