面向遥感变化检测的神经记忆方法
计算机视觉与模式识别
2026-02-12 v1
摘要
遥感变化检测是环境监测、城市规划等领域的关键技术，但现有方法往往难以在保持计算效率的同时捕获长程依赖。虽然 Transformer 能有效建模全局上下文，但其二次复杂度带来可扩展性挑战，现有的线性注意力方法常失败于捕捉复杂的时空关系。基于 Titans 在语言任务中的成功，本文提出 ChangeTitans——基于 Titans 的遥感变化检测框架。具体地，我们提出 VTitans，首个集成神经记忆与分段局部注意力的 Titans 视觉骨干网络，从而在降低计算开销的同时捕获长程依赖。随后，我们引入层次化 VTitans-Adapter，以细化多尺度特征。最后，我们设计 TS-CBAM—a 两流融合模块，利用跨时间注意力抑制伪变化并提升检测精度。实验在四个基准数据集（LEVIR-CD、WHU-CD、LEVIR-CD+、SYSU-CD）上表明，ChangeTitans 取得了最先进的结果，在 LEVIR-CD 上实现 \textbf{84.36\%} IoU 和 \textbf{91.52\%} F1-score，同时保持计算竞争力。
引用
@article{arxiv.2602.10491,
title = {Towards Remote Sensing Change Detection with Neural Memory},
author = {Zhenyu Yang and Gensheng Pei and Yazhou Yao and Tianfei Zhou and Lizhong Ding and Fumin Shen},
journal= {arXiv preprint arXiv:2602.10491},
year = {2026}
}
备注
accepted by IEEE Transactions on Geoscience & Remote Sensing