基于双流并行全向扫描Mamba的遥感影像建筑物变化检测

采用深度学习技术对海量遥感影像进行建筑物变化检测与解译分析,可以为自然资源要素管理和国土资源节约集约化提供关键科学依据和数据支持,对自然资源动态监测和空间治理现代化具有重要意义。状态空间模型Mamba结合了全局感受野与动态加权,在时间序列预测任务中能够更好地捕捉趋势和周期性信息,然而目前Mamba在遥感影像密集预测的研究尚不充分,对高分辨率遥感影像变化检测存在计算复杂度高、检测效率低等问题。对影响Mamba算法参数量的关键因素进行了深入分析,提出了双流并行全向扫描Mamba网络,构建通道内的数据并行化处理方法,在通道总数不变的情况下,有效减少单个Mamba块中数据的通道数,实现网络总体参数量的下降和高效的特征提取。在LEVIR-CD和WHU-CD两个数据集上进行了对比实验,结果表明,所提网络各项指标均优于非Mamba架构的网络,与基准网络对比训练效率分别提升了19.45%和8.26%,且在网络参数量与计算复杂度方面显著降低,分别降低了35.8%和22.4%。