Modèles d'Espaces d'États pour la Détection de Changements en Télédétection

Change State Space Models for Remote Sensing Change Detection

April 15, 2025

Auteurs: Elman Ghazaei, Erchan Aptoula

cs.AI

Résumé

Malgré leur utilisation fréquente pour la détection de changements, les réseaux convolutifs (ConvNets) et les Vision Transformers (ViT) présentent des limitations bien connues : les premiers peinent à modéliser les dépendances à longue portée, tandis que les seconds sont inefficaces sur le plan computationnel, ce qui les rend difficiles à entraîner sur des jeux de données à grande échelle. Vision Mamba, une architecture basée sur les modèles d'espace d'état, a émergé comme une alternative pour pallier ces lacunes et a déjà été appliquée à la détection de changements en télédétection, bien que principalement en tant que backbone d'extraction de caractéristiques. Dans cet article, le Change State Space Model (CSSM) est introduit, conçu spécifiquement pour la détection de changements en se concentrant sur les modifications pertinentes entre des images bi-temporelles, filtrant ainsi efficacement les informations non pertinentes. En se focalisant uniquement sur les caractéristiques modifiées, le nombre de paramètres du réseau est réduit, améliorant significativement l'efficacité computationnelle tout en maintenant une performance de détection élevée et une robustesse face à la dégradation des entrées. Le modèle proposé a été évalué sur trois jeux de données de référence, où il a surpassé les ConvNets, les ViT et les modèles basés sur Mamba, avec une fraction de leur complexité computationnelle. L'implémentation sera disponible à l'adresse https://github.com/Elman295/CSSM après acceptation.

English

Despite their frequent use for change detection, both ConvNets and Vision transformers (ViT) exhibit well-known limitations, namely the former struggle to model long-range dependencies while the latter are computationally inefficient, rendering them challenging to train on large-scale datasets. Vision Mamba, an architecture based on State Space Models has emerged as an alternative addressing the aforementioned deficiencies and has been already applied to remote sensing change detection, though mostly as a feature extracting backbone. In this article the Change State Space Model is introduced, that has been specifically designed for change detection by focusing on the relevant changes between bi-temporal images, effectively filtering out irrelevant information. By concentrating solely on the changed features, the number of network parameters is reduced, enhancing significantly computational efficiency while maintaining high detection performance and robustness against input degradation. The proposed model has been evaluated via three benchmark datasets, where it outperformed ConvNets, ViTs, and Mamba-based counterparts at a fraction of their computational complexity. The implementation will be made available at https://github.com/Elman295/CSSM upon acceptance.