遥感领域新方向！Mamba+RS论文汇总！

GISer阿兴

于 2024-07-29 23:09:53 发布

阅读量546

点赞数 6

分类专栏：遥感文章标签：人工智能论文笔记

本文链接：https://blog.csdn.net/qq_43542339/article/details/140783401

版权

遥感专栏收录该内容

5 篇文章 4 订阅

订阅专栏

本文总结了将Mamba应用至遥感领域的相关论文（14篇），涉及到的论文见文末链接，具体如下：

文章目录

1. 遥感图像处理

论文题目：Pan-Mamba: Effective pan-sharpening with State Space Model
论文链接：https://arxiv.org/pdf/2402.12192

**【主要内容】：**将mamba应用到Pan-sharpening中提出Pan-Mamba，提出了两个核心模块：

Channel Swapping Mamba Block：通过部分全色和多光谱通道的交换启动轻量级的跨模态交互
Cross modality Mamba Block：通过利用固有的跨模态关系增强信息表示能力

论文题目：HSIDMamba: Exploring Bidirectional State-Space Models for Hyperspectral Denoising
论文链接：https://arxiv.org/pdf/2404.09697

【主要内容】：将Mamba应用到高光谱成像（HSI）去噪中提出了HSIDMamba（HSDM），主要模块如上图所示：模块关系如下：

Spectral Attention ⊆ Bidirectional State Space Module ⊆ Hyper Continuous Scan Block

Spectral Attention：见图中©，由平均池化、二维卷积等组成的注意力模块
Bidirectional State Space Module：见图中(b)，由DWConv 和 SS2D等模块组成
Hyper Continuous Scan Block：将上面两个模块结合残差连接和transformer结构组成。

2. 多/高光谱图像分类

论文题目：RSMamba: Remote Sensing Image Classification with State Space Model
论文链接：https://arxiv.org/pdf/2403.19654

【主要内容】：将Mamba直接应用到遥感图像分类任务上，由于Mamba模型处理1D数据，而遥感图像往往至少2D，因此提出了一种动态多路径激活机制（Multi-Path SSM Encoder）来增强 Mamba 对非因果数据的建模能力。

**Multi-Path SSM Encoder：**总体上来看先用卷积提取遥感图像特征，flatten后加入position encoding。（有点类似于vit中的patch embedding

论文题目：SpectralMamba: Efficient Mamba for Hyperspectral Image Classification
论文链接：https://arxiv.org/pdf/2404.08489

【主要内容】：将Mamba应用至高光谱图像分类中提出SpectralMamba。包括三个核心模块：

**Piece-wise Sequential Scanning（PSS）：**沿光谱维度的分段顺序扫描（与空间维度相区分）
**Gated Spatial-Spectral Merging（GSSM）：**用门控机制，把空间维度和光谱维度特征融合
**Efficient Selective State Space Modeling：**状态空间模型

根据Fig3具体流程如下：

先把高光谱影像分块，得到patch wise input后通过卷积、残差连接等模块把空间维度的特征融合（图像分类，消除空间维度）
经过PSS模块丰富通道信息，进而通过GSSM模块和S6模块融合特征
最终通过一个MLP进行图像分类

论文题目：Spectral-Spatial Mamba for Hyperspectral Image Classification
论文链接：https://arxiv.org/pdf/2404.18401

【主要内容】：用于高光谱图像（HSI）分类，提出SS-Mamba（两个S分别表示Spectral和Spatial）。根据上图结构可知主要流程如下：

（1）把输入影像在Spectral和Spatial两个维度上分块，同时加上position encoding（类似于VIT中对图像进行patch embedding，针对的维度不同）
（2）将上述特征分别通过两个Mamba Block，利用Addition、Copy、Activation以及Linear Layer等操作进行特征融合。
（3）求平均后接一个Linear Classifier（例如MLP）

其中关键在于（1）分块和（2）特征融合

论文题目：S2Mamba: A Spatial-spectral State Space Model for Hyperspectral Image Classification
论文链接：https://arxiv.org/pdf/2404.18213

【主要内容】：用于高光谱图像（HSI）分类，提出SS-Mamba。由图中Main Framework可知，主要有三个模块：

PCS（Patch Cross Scanning Mechanism）：通道扫描、生成patch embedding，得到空间维度特征
BSS（Bi-directional Spectral Scanning Mechanism）：生成路径，匹配光谱，得到光谱维度特征
SMG（Spatial-spectral Mixture Gate）：利用门控机制融合两种特征

3. 变化检测/语义分割

论文题目：ChangeMamba: Remote Sensing Change Detection with Spatio-Temporal State Space Model
论文链接：https://arxiv.org/pdf/2404.03425

【主要内容】：将Mamba用于遥感图像变化检测，提出ChangeMamba，为三个变化检测任务提供了丰富的编码器和解码器。模型架构图有点类似于Swin Transformer的4个Stage，充分贯彻多尺度特征融合，工作量饱满，建议阅读原文。

论文题目：RSCaMa: Remote Sensing Image Change Captioning with State Space Model
论文链接：https://arxiv.org/pdf/2404.18895

【主要内容】：将Mamba用于遥感图像变化检测，提出RSCaMa。模型通过多个CaMa层实现了高效的联合空间-时间建模，其中CaMa层中包含SD-SSM和TT-SSM。利用Mamba状态空间模型的全局感知场和线性复杂度对空间、时间特征交叉建模

SD-SSM：Spatial Difference-aware：空间维度上建模
TT-SSM：Temporal-Traversing：时间维度上建模

论文题目：Samba: Semantic Segmentation of Remotely Sensed Images with State Space Model
论文链接：https://arxiv.org/pdf/2404.01705

【主要内容】：将Mamba应用至高分辨率遥感图像分割领域，提出Samba。由图可知主要创新在于Samba Block

Samba Block：由一个MLP和一个Mamba Block，并各自采用残差连接组成。
Mamba Block：由SSM和Conv、Linear等模块组成。

论文题目：RS3Mamba: Visual State Space Model for Remote Sensing Images Semantic Segmentation
论文链接：https://arxiv.org/pdf/2404.02457

【主要内容】：将Mamba用于遥感图像变化检测，提出RS3Mamba。由图可知模型采用一个Main Encoder和一个Auxiliary Encoder，Decoder采用UNetformer中的解码器。主要创新点在于Auxiliary Encoder中的VSS block和Main Encoder中的CCM