论文解读 | arXiv 2025 | 2026-06-01

📄 论文信息

🎯 解决的核心问题

问题背景

**语义变化检测（SCD）**是遥感领域的一项重要任务：给定两个时相的遥感图像，模型不仅要检测"哪里发生了变化"，还要识别"从什么类别变成了什么类别"。例如，检测"农田变成了建筑用地"或"森林变成了水体"。

这项任务对于城市规划、环境监测、灾害评估等应用具有重要意义。

现有方法的局限

1. CNN方法：受限于感受野大小，难以捕捉长程依赖关系
2. Transformer方法：自注意力机制的二次复杂度导致计算开销大
3. 现有Mamba方法：主要关注空间特征，忽略了频率域信息和类别不平衡问题

核心挑战：

• 如何有效融合空间和频率域特征？
• 如何处理二元变化检测（BCD）和语义变化检测（SCD）任务的关联？
• 如何解决类别不平衡问题（变化区域通常远小于未变化区域）？

核心问题提炼

如何设计一个高效的Mamba-based框架，同时解决空间-频率特征融合、双任务关联建模和类别不平衡三大挑战？

💡 解决方案

核心创新点1：联合空间-频率融合模块（Joint Spatio-Frequency Fusion）

设计动机： 空间域特征擅长捕捉纹理和结构信息，而频率域特征擅长捕捉边缘和高频细节。通过融合两个域的特征，可以增强模型对变化边界的敏感性。

具体实现：

1. 对输入特征进行快速傅里叶变换（FFT）
2. 提取对数幅度谱特征
3. 将频率域特征与空间域特征融合
4. 通过逆FFT回到空间域

关键细节：

论文解读 | IEEE TGRS 2024 | 2026-05-31

📄 论文信息

🎯 解决的核心问题

问题背景

遥感变化检测（Change Detection, CD）是地理信息科学的核心任务之一，旨在识别同一地理区域在不同时间段拍摄的影像之间的变化。这项技术在灾害评估、城市扩张监测、生态环境保护等领域具有重要应用价值。

现有方法的局限

1. CNN的"近视眼"问题：卷积神经网络受限于有限的感受野，难以捕捉大范围的空间上下文信息。在处理高分辨率遥感影像时，这一缺陷尤为明显。

2. Transformer的"暴饮暴食"问题：虽然Transformer具有全局建模能力，但其自注意力机制的计算复杂度与序列长度呈平方关系（O(L²)），在处理大尺寸遥感影像时计算成本极高。

3. 实际应用挑战：在实际场景中，如台风灾后评估或森林砍伐监测，需要快速、准确地处理大量高分辨率影像，传统方法难以满足实时性要求。

核心问题提炼

如何设计一个既能捕捉全局空间上下文信息，又具有线性计算复杂度的遥感变化检测架构？

💡 解决方案

核心创新点1：首次引入Mamba架构到遥感变化检测

设计动机： Mamba是基于状态空间模型（State Space Model, SSM）的新兴架构，在自然语言处理领域展现出卓越性能。其核心优势在于：

• 线性计算复杂度（O(L)），远低于Transformer的O(L²)
• 通过选择性记忆机制实现全局感知
• 更适合处理长序列数据

具体实现： ChangeMamba采用Visual Mamba架构作为编码器，将遥感影像转换为序列数据，通过状态空间模型进行特征提取。关键设计包括：