CD-Lamba: Boosting Remote Sensing Change Detection via a Cross-Temporal Locally Adaptive State Space Model

📄 arXiv: 2501.15455v1 📥 PDF

作者: Zhenkai Wu, Xiaowen Ma, Rongrong Lian, Kai Zheng, Mengting Ma, Wei Zhang, Siyang Song

分类: cs.CV

发布日期: 2025-01-26

🔗 代码/项目: GITHUB

💡 一句话要点

提出CD-Lamba，通过跨时序局部自适应状态空间模型提升遥感图像变化检测性能。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 遥感变化检测 状态空间模型 Mamba 局部自适应 时序特征融合 深度学习 计算机视觉

📋 核心要点

  1. 现有基于Mamba的遥感变化检测方法难以有效感知变化区域的局部性，因为它们直接展平并扫描遥感图像。
  2. CD-Lamba通过局部自适应状态空间扫描（LASS）、跨时序状态空间扫描（CTSS）和窗口移位感知（WSP）机制，增强局部性和时序特征融合。
  3. 实验结果表明，CD-Lamba在四个基准数据集上取得了state-of-the-art的性能，并在效率和精度之间实现了良好的平衡。

📝 摘要（中文）

本文提出了一种新颖的基于局部自适应状态空间模型的遥感变化检测方法，称为CD-Lamba，旨在有效增强变化检测的局部性，同时保持全局感知能力。CD-Lamba包含用于增强局部性的局部自适应状态空间扫描（LASS）策略，用于双时相特征融合的跨时序状态空间扫描（CTSS）策略，以及用于增强分割窗口之间交互的窗口移位和感知（WSP）机制。这些策略被集成到一个多尺度的跨时序局部自适应状态空间扫描（CT-LASS）模块中，以有效地突出变化并细化变化表示特征的生成。CD-Lamba显著增强了双时相图像中的局部-全局时空交互，从而提高了遥感变化检测任务的性能。大量实验结果表明，CD-Lamba在四个基准数据集上实现了最先进的性能，并在效率和准确性之间取得了令人满意的平衡。代码已公开。

🔬 方法详解

问题定义：遥感变化检测旨在识别不同时间获取的遥感图像中目标区域的变化。现有基于Mamba的方法虽然具有全局感知和线性复杂度的优势，但忽略了变化区域的局部性，直接展平图像导致局部信息丢失，影响检测精度。

核心思路：CD-Lamba的核心思路是通过引入局部自适应状态空间扫描（LASS）策略来增强模型对局部变化信息的感知能力，同时利用跨时序状态空间扫描（CTSS）策略进行双时相特征融合，并使用窗口移位感知（WSP）机制来增强不同窗口之间的交互，从而提升整体的变化检测性能。这样设计的目的是为了在保持全局感知的同时，更好地利用局部信息，提高检测精度。

技术框架：CD-Lamba主要包含以下几个模块：1) 局部自适应状态空间扫描（LASS）：用于增强局部性；2) 跨时序状态空间扫描（CTSS）：用于双时相特征融合；3) 窗口移位和感知（WSP）：用于增强分割窗口之间的交互；4) 多尺度跨时序局部自适应状态空间扫描（CT-LASS）模块：集成上述策略，生成变化表示特征。整体流程是，首先对双时相图像进行特征提取，然后通过CT-LASS模块进行特征融合和变化检测，最后输出变化检测结果。

关键创新：CD-Lamba的关键创新在于提出了局部自适应状态空间扫描（LASS）策略，该策略能够有效地增强模型对局部变化信息的感知能力。与现有方法直接展平图像不同，LASS策略能够更好地保留局部信息，从而提高检测精度。此外，CTSS和WSP机制也进一步增强了时序特征融合和窗口间的交互。

关键设计：CD-Lamba的关键设计包括：1) LASS策略的具体实现方式，例如如何自适应地调整扫描窗口的大小和形状；2) CTSS策略中双时相特征融合的具体方法，例如使用何种融合函数；3) WSP机制中窗口移位的步长和感知范围；4) CT-LASS模块中多尺度的具体实现方式，例如使用多少个不同尺度的特征图。这些参数和设计细节直接影响着CD-Lamba的性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CD-Lamba在四个基准数据集上取得了state-of-the-art的性能，证明了其有效性。具体性能数据需要在论文中查找，但摘要中提到CD-Lamba在效率和准确性之间取得了令人满意的平衡，表明其不仅提高了检测精度，还保持了较高的计算效率。与现有方法相比，CD-Lamba在遥感变化检测任务中具有显著的优势。

🎯 应用场景

CD-Lamba在遥感图像变化检测领域具有广泛的应用前景，例如城市规划、灾害监测、环境评估、土地利用变化分析等。该研究可以帮助相关领域的研究人员和从业者更准确、更高效地识别和分析地表变化，为决策提供支持，具有重要的实际价值和未来影响。

📄 摘要（原文）

Mamba, with its advantages of global perception and linear complexity, has been widely applied to identify changes of the target regions within the remote sensing (RS) images captured under complex scenarios and varied conditions. However, existing remote sensing change detection (RSCD) approaches based on Mamba frequently struggle to effectively perceive the inherent locality of change regions as they direct flatten and scan RS images (i.e., the features of the same region of changes are not distributed continuously within the sequence but are mixed with features from other regions throughout the sequence). In this paper, we propose a novel locally adaptive SSM-based approach, termed CD-Lamba, which effectively enhances the locality of change detection while maintaining global perception. Specifically, our CD-Lamba includes a Locally Adaptive State-Space Scan (LASS) strategy for locality enhancement, a Cross-Temporal State-Space Scan (CTSS) strategy for bi-temporal feature fusion, and a Window Shifting and Perception (WSP) mechanism to enhance interactions across segmented windows. These strategies are integrated into a multi-scale Cross-Temporal Locally Adaptive State-Space Scan (CT-LASS) module to effectively highlight changes and refine changes' representations feature generation. CD-Lamba significantly enhances local-global spatio-temporal interactions in bi-temporal images, offering improved performance in RSCD tasks. Extensive experimental results show that CD-Lamba achieves state-of-the-art performance on four benchmark datasets with a satisfactory efficiency-accuracy trade-off. Our code is publicly available at https://github.com/xwmaxwma/rschange.