SCAM：基于扫描通道注意力Mamba的遥感变化检测新方法

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》：SCAM: Scan Channel Attention Mamba-based Network for Remote Sensing Change Detection

为解决遥感变化检测中全局建模能力与计算复杂度的平衡难题，南京航空航天大学团队提出基于扫描通道自适应Mamba的SCAM框架。该研究通过通道自适应状态空间扫描策略动态增强关键特征，结合多尺度差异融合模块与轻量级解码器，在LEVIR-CD等四个基准数据集上F1分数最高达93.14%，显著提升复杂场景下的变化检测精度。

　　

随着高分辨率遥感技术的飞速发展，如何精准监测地表变化已成为资源调查、环境监测和灾害评估等领域的关键挑战。传统变化检测方法依赖浅层图像特征，难以应对复杂场景下的变化识别。尽管基于卷积神经网络(CNN)的方法通过深度学习提升了检测能力，但其感受野受限导致全局上下文建模不足；而视觉Transformer(ViT)虽能捕获长程依赖，却面临二次计算复杂度的瓶颈。近年来，状态空间模型(SSM)特别是Mamba架构的兴起，为平衡全局感知与计算效率提供了新思路。然而，现有Mamba方法受限于固定扫描策略，难以自适应捕捉空间上下文信息并增强局部特征。

针对这一挑战，南京航空航天大学张俊义团队在《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》发表研究，提出扫描通道自适应Mamba网络(SCAM)。该框架通过创新性设计解决了三个核心问题：首先，通道自适应状态空间扫描(CASS)策略采用轻量级评分器动态选择关键扫描通道，通过S形扫描路径增强斑块特征图的局部特征连续性；其次，差异融合模块(DFM)整合双时相图像的多尺度差异信息与全局特征；最后，基于CNN的多尺度变化解码器(MCD)聚合多层次特征生成最终变化掩膜。

关键技术方法包括：1)构建四阶段CASS编码器，通过轻量级扫描通道注意力(LSCA)评分器实现方向自适应选择；2)在编码器各阶段嵌入DFM模块，采用3×3和5×5深度卷积分别处理双时相特征与差异特征；3)设计含通道注意力机制的多级上采样解码结构，利用DySample上采样器恢复空间分辨率。实验使用LEVIR-CD、WHU-CD、SYSU-CD和CLCD四个公开数据集，采用混合损失函数(平衡交叉熵损失^BCE、Dice损失和Focal损失)进行模型优化。

研究结果部分通过系统实验验证了SCAM的有效性：在扫描策略对比实验中，CASS_S策略在LEVIR-CD数据集上取得91.01%的F1分数和83.28%的IoU，显著优于SS2D、Local-Scan等现有方法。可视化结果显示，S形扫描路径能有效保持变化目标的边界连续性，减少伪变化区域干扰。在模块消融实验中，DFM与MCD的联合使用使F1分数相对基线提升6.1%，证明多尺度差异信息融合对细节变化检测的增强作用。跨数据集测试表明，SCAM在建筑变化数据集(WHU-CD)和复杂地表数据集(CLCD)上分别达到93.14%和78.84%的F1分数，尤其在植被覆盖、光照差异明显的场景中表现出更强鲁棒性。

效率分析显示，SCAM以25.75M参数量和21.13 GFLOPs计算成本，在保持竞争力的同时优于多数Transformer基方法。特征可视化进一步证实，编码器浅层有效捕获边缘纹理细节，深层语义特征与解码器激活响应共同实现变化区域的精确定位。

该研究通过扫描策略创新和模块协同设计，显著提升了Mamba架构在遥感变化检测中的特征感知能力。CASS策略突破固定扫描模式对局部特征建模的限制，DFM与MCD的级联结构实现全局上下文与局部差异的高效融合。实验证明该方法在保持线性计算复杂度的同时，对细小变化目标和复杂边界具有优异识别性能，为资源受限环境下的遥感智能解译提供了新范式。未来研究可进一步优化针对微小变化目标的敏感度增强机制，推动Mamba基方法在遥感领域的深化应用。