CDMamba: Remote Sensing Image Change Detection with Mamba

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显著的性能，并迅速应用于遥感变化检测（CD）任务。然而，大多数方法通过直接修改Mamba的扫描模式来增强全局感受野，忽略了局部信息在密集预测任务（例如CD）中发挥的关键作用。在本文中，我们提出了一个名为CDMamba的模型，它有效地结合了全局和局部特征来处理CD任务。具体而言，我们提出了Scaled Residual ConvMamba（SRCM）块，利用了Mamba提取全局特征和卷积增强局部细节的能力，以缓解当前基于Mamba的方法缺乏详细线索且难以实现细致检测的问题。此外，考虑到CD所需的双时相特征交互的特点，我们提出了自适应全局局部引导融合（AGLGF）块，动态地促进由其他时相全局/局部特征引导的双时相交互。我们的想法是，在其他时相特征的指导下，可以获得更具有区分性的变化特征。在三个数据集上的广泛实验表明，我们提出的CDMamba优于当前最先进的方法。我们的代码将在https://github.com/zmoka-zht/CDMamba上开源。

本论文旨在解决采用Mamba架构处理密集预测任务（例如变化检测）时，由于当前方法忽略了局部信息，导致缺乏细节线索，难以实现精细检测的问题。

论文提出了CDMamba模型，该模型通过引入Scaled Residual ConvMamba（SRCM）块和Adaptive Global Local Guided Fusion（AGLGF）块，有效地结合了全局和局部特征，解决了当前方法缺乏详细线索的问题。

论文的亮点包括提出了SRCM块和AGLGF块，可以提取全局和局部特征，实现双时相特征的动态融合，从而获得更具区分性的变化特征。论文在三个数据集上进行了广泛的实验，并证明了CDMamba模型的优越性。研究者开源了代码。

在这个领域中，最近的相关研究包括：'Change Detection in Remote Sensing Images Using Conditional Generative Adversarial Networks and Dual-Guided Filtering'，'A Hybrid Change Detection Method for High-Resolution Remote Sensing Images Based on Superpixel Segmentation and Convolutional Neural Networks'，'Change Detection in Synthetic Aperture Radar Images Based on Deep Learning Networks and a Dual-Channel Stacked Autoencoder'等。