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计算量大，使其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）和建筑损伤评估（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，允许从输入图像中完全学习全局空间上下文信息。对于可在所有三种架构中使用的变化解码器，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，实现多时间特征的时空交互，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。进一步的实验表明，我们的架构对降级数据非常稳健。源代码将在https://github.com/ChenHongruixuan/MambaCD上提供。

本文旨在探索Mamba架构在遥感变化检测任务中的潜力，通过提出MambaBCD、MambaSCD和MambaBDA三种框架，分别用于二元变化检测、语义变化检测和建筑损伤评估。

本文采用了基于状态空间模型的Mamba架构，结合三种时空关系建模机制，提高了遥感图像变化检测的准确性。

本文的实验结果表明，相比于当前的CNN和Transformer方法，Mamba架构在遥感变化检测任务中具有更好的性能。此外，作者还进行了数据降质实验，证明了Mamba架构的鲁棒性。作者已将源代码开源。

近期的相关研究包括基于CNN和Transformer的遥感变化检测方法，如《ChangeNet: A Deep Learning Architecture for Visual Change Detection》和《Dual-Stream Multi-Scale Fusion Network for Remote Sensing Image Change Detection》。