ChangeMamba: Remote Sensing Change Detection with Spatio-Temporal State Space Model

卷积神经网络（CNN）和Transformer在遥感变化检测（CD）领域取得了令人瞩目的进展。然而，这两种架构都有固有的缺点：CNN受限于有限的感受野，可能会妨碍其捕捉更广泛的空间上下文；而Transformer计算密集，使得它们在大型数据集上的训练和部署成本高昂。最近，基于状态空间模型的Mamba架构在一系列自然语言处理任务中表现出了卓越的性能，可以有效弥补上述两种架构的缺点。本文首次探索了Mamba架构在遥感CD任务中的潜力。我们为二元变化检测（BCD）、语义变化检测（SCD）和建筑损害评估（BDA）量身定制了相应的框架，称为MambaBCD、MambaSCD和MambaBDA。所有三个框架都采用最先进的Visual Mamba架构作为编码器，可以从输入图像中完全学习全局空间上下文信息。对于变化解码器，在所有三种架构中都可用，我们提出了三种时空关系建模机制，可以自然地与Mamba架构相结合，并充分利用其属性，实现多时相特征的时空交互，从而获得准确的变化信息。在五个基准数据集上，我们提出的框架优于当前基于CNN和Transformer的方法，而不使用任何复杂的训练策略或技巧，充分展示了Mamba架构在CD任务中的潜力。进一步实验证明，我们的架构对降质数据非常稳健。源代码将在https://github.com/ChenHongruixuan/MambaCD中提供。

探索Mamba架构在遥感变化检测任务中的潜力，解决CNN和Transformer的局限性。

采用Visual Mamba架构作为编码器，提出三种时空关系建模机制，充分利用Mamba架构的属性实现多时相特征的时空交互，从而获得准确的变化信息。

论文提出的MambaBCD、MambaSCD和MambaBDA框架在五个基准数据集上超越了当前CNN和Transformer的方法，且不需要使用任何复杂的训练策略或技巧。实验结果表明，该架构对于降质数据也具有较强的鲁棒性。代码已经开源。

与此相关的研究包括使用CNN和Transformer的遥感变化检测方法。