Модели пространства состояний для обнаружения изменений в дистанционном зондировании

Change State Space Models for Remote Sensing Change Detection

April 15, 2025

Авторы: Elman Ghazaei, Erchan Aptoula

cs.AI

Аннотация

Несмотря на их частое использование для обнаружения изменений, как сверточные сети (ConvNets), так и трансформеры для компьютерного зрения (ViT) имеют известные ограничения: первые испытывают трудности с моделированием долгосрочных зависимостей, а вторые отличаются вычислительной неэффективностью, что делает их сложными для обучения на крупномасштабных наборах данных. Vision Mamba, архитектура, основанная на моделях пространства состояний, появилась как альтернатива, устраняющая указанные недостатки, и уже применялась для обнаружения изменений в дистанционном зондировании, хотя в основном в качестве основы для извлечения признаков. В данной статье представлена Change State Space Model (CSSM), специально разработанная для обнаружения изменений путем фокусировки на значимых различиях между битемпоральными изображениями, эффективно отфильтровывая нерелевантную информацию. Концентрируясь исключительно на измененных признаках, количество параметров сети сокращается, что значительно повышает вычислительную эффективность при сохранении высокой производительности обнаружения и устойчивости к деградации входных данных. Предложенная модель была протестирована на трех эталонных наборах данных, где она превзошла ConvNets, ViT и аналоги на основе Mamba при значительно меньшей вычислительной сложности. Реализация будет доступна по адресу https://github.com/Elman295/CSSM после принятия статьи.

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.