研究背景
目前遥感影像建筑物变化检测方法中存在双时相图像融合信息利用不充分和图像对准等问题，导致变化检测结果不准确。特别是依赖单时间点特征或简单图像差分方法往往无法捕捉城市环境中发生的复杂时间变化。
核心问题
双时相融合不足与图像对准困难
创新方案
FIDAMamba特征交互与差分对齐
核心指标
91.89%
LEVIR-CD F1
91.12%
WHU-CD F1
84.99%
LEVIR-CD mIoU
遥感影像建筑物变化检测挑战
双时相融合不足
信息利用局限
缺乏双时相特征交互
侧重单时间点特征提取
差异感知表达能力受限
图像对准困难
配准误差问题
拍摄角度差异影响
传感器偏差与大气条件
图像错位与视角偏差
检测精度不足
误检漏检问题
复杂时间变化难捕捉
背景变化显著时误检
图像错位导致漏检
FIDAMamba网络架构设计
编码器-解码器结构
孪生网络架构
采用FC-Siam-Conc孪生网络架构，通过补丁嵌入将双时相图像映射为补丁序列
Mamba编码器
基于Mamba的分层编码器提取各自特征，增强长序列建模能力
特征融合对齐
有效捕捉高分辨率遥感图像在两个时间阶段的信息变化
核心处理流程
四步处理流程
1
双时相图像补丁嵌入
2
Mamba编码器特征提取
3
特征交互与差分对齐
4
解码器生成变化图
状态空间模型优势
Mamba网络在长序列数据建模中表现出显著优势，有效优化训练和推理过程
两大核心技术模块
特征交互模块
共同注意机制
将双时相特征投影到特征空间中，实现双时相特征与空间信息的融合
全局信息获取
双分支特征沿通道维度拼接并计算平均值，获得全局共同特征
差异信息增强
增强模型捕捉和提取图像差异信息的能力，提升建筑物变化检测精度
计算公式
Xout = σ(σ(Fmean(x₁ + x₂)))
差分对齐模块
光流场估计
通过OffsetNet生成光流场来描述两个图像之间的像素级别位移
位移矫正
估计并矫正图像间的位移变化，减少由图像间位移引起的配准误差
精确对齐
对不同时间点的图像进行精确对齐，提升模型对变化区域的定位精度
偏移计算
Δpi = OffsetNet(Concat[x₁, x₂])
四大技术创新点
特征交互创新
通过共同注意机制实现双时相特征空间融合，增强差异信息捕捉能力
差分对齐机制
基于光流场估计的位移矫正技术，有效解决图像配准误差问题
Mamba网络应用
引入状态空间模型Mamba，提升长序列建模能力和计算效率
联合损失函数
DiceLoss与FocalLoss结合，有效处理类别不平衡和难样本问题
实验结果与性能评估
数据集性能表现
LEVIR-CD数据集
91.89% F1
mIoU: 84.99%
相比ChangeFormer提升1.49% F1, 2.52% mIoU
WHU-CD数据集
91.12% F1
mIoU: 83.68%
在建筑物变化检测任务中表现优异
相比ChangeMamba
+2.09% F1
mIoU提升3.50%，显著优于现有方法
技术优势分析
性能提升显著
F1分数显著提升1.49%-2.09%
mIoU值提升2.52%-3.50%
在多个基准数据集验证有效
鲁棒性增强
在背景变化较大或图像错位时，通过特征交互和差分对齐模块显著减少误检漏检
对比基准方法
ChangeFormer
ChangeMamba
FC-Siam-Conc
BIT
评价指标体系
精确度
Precision
召回率
Recall
F1分数
F1 Score
交并比
mIoU
实际应用前景
城市规划
监测城市建筑物变化，为城市规划和土地利用管理提供数据支撑
灾害评估
快速识别灾后建筑物损毁情况，为应急救援和灾害评估提供技术支持
发展监测
长期监测区域建筑发展趋势，支持可持续发展规划决策