OSDMamba：基于选择性状态空间模型提升遥感图像中油污检测性能
计算机视觉与模式识别
2025-07-17 v1
摘要
语义分割是遥感图像中油污检测（OSD）常用的方法，但受限于标注油污样本稀缺和类别不平衡，导致检测精度受限。此外，大多数现有方法依赖卷积神经网络（CNN），难以检测小面积油污区域，因其受限的感受野和无法有效捕获全局上下文信息。本研究探索了状态空间模型（SSM），特别是Mamba模型在视觉应用中的潜力，以克服上述局限性。我们提出OSDMamba，首个专为油污检测设计的Mamba架构。OSDMamba利用Mamba的选择性扫描机制，有效扩大模型感受野，同时保留关键细节。此外，我们设计了包含ConvSSM和深度监督的非对称解码器，以强化多尺度特征融合，从而增强对少数类样本的敏感性。实验结果表明，所提OSDMamba在两个公开数据集上实现了最先进性能，OSD提升了8.9%和11.8%。
引用
@article{arxiv.2506.18006,
title = {OSDMamba: Enhancing Oil Spill Detection from Remote Sensing Images Using Selective State Space Model},
author = {Shuaiyu Chen and Fu Wang and Peng Ren and Chunbo Luo and Zeyu Fu},
journal= {arXiv preprint arXiv:2506.18006},
year = {2025}
}