用于遥感变化检测的变化状态空间模型

尽管卷积神经网络（ConvNets）和视觉 Transformer（ViT） 经常被用于变化检测，但它们都表现出众所周知的局限性，即前者难以建模长距离依赖关系，而后者计算效率低下，使得它们在大型数据集上训练具有挑战性。Vision Mamba 是一种基于状态空间模型的架构，作为一种替代方案出现，解决了上述缺陷，并且已经被应用于遥感变化检测，尽管主要作为特征提取骨干网络。在本文中，我们介绍了变化状态空间模型（Change State Space Model），该模型专门为变化检测而设计，通过专注于双时相图像之间相关的变化，有效地过滤掉不相关的信息。通过仅关注已改变的特征，网络参数的数量减少，从而显著提高计算效率，同时保持高检测性能和对输入退化的鲁棒性。所提出的模型通过三个基准数据集进行了评估，在计算复杂度远低于卷积神经网络、视觉 Transformer 和基于 Mamba 的同类模型的情况下，性能优于它们。实现代码将在接收后在 https://github.com/Elman295/CSSM 上提供。