.png){kind=icon}
返回
Efficient Remote Sensing Change Detection With Change State Space Models
.png){kind=icon}
PRE
AI
DOI：10.1109/LGRS.2025.3629303.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
卷积神经网络（ConvNets）和视觉Transformer（ViTs）已被广泛应用于变化检测（CD），尽管它们存在局限性：前者难以有效捕捉长距离依赖关系，而后者则伴随着高昂的计算需求。基于状态空间模型（State Space Models）的Vision Mamba被提出作为一种替代方案，但主要被用作特征提取骨干网络。本文提出了一种面向CD任务的专用方法——变化状态空间模型（CSSM），该模型旨在专门关注双时相图像之间的相关变化，同时过滤无关信息。通过这种设计，模型参数数量得以减少，计算效率得到提升，鲁棒性也得到增强。CSSM在三个基准数据集上进行了评估，其性能优于卷积神经网络、视觉Transformer和Mamba基模型，且计算成本显著降低。代码将在接受后公开于https://github.com/Elman295/CSSM。
Keyword:
Change detection (CD)
mamba
optical remote sensing
state space model
