論文の概要: ChessMamba: Structure-Aware Interleaving of State Spaces for Change Detection in Remote Sensing Images
- arxiv url: http://arxiv.org/abs/2511.19882v1
- Date: Tue, 25 Nov 2025 03:43:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-26 17:37:04.258374
- Title: ChessMamba: Structure-Aware Interleaving of State Spaces for Change Detection in Remote Sensing Images
- Title（参考訳）: ChessMamba: リモートセンシング画像における変化検出のための状態空間の構造認識インターリーブ
- Authors: Lei Ding, Tong Liu, Xuanguang Liu, Xiangyun Liu, Haitao Guo, Jun Lu,
- Abstract要約: ChessMambaは、複数時間入力を持つロバストCDのための状態空間モデリングを活用する構造認識フレームワークである。
ChessMambaは、ヘテロジニアスな機能を効果的に融合し、最先端の手法よりも相当な精度の向上を実現している。
- 参考スコア（独自算出の注目度）: 7.789001947892973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Change detection (CD) in multitemporal remote sensing imagery presents significant challenges for fine-grained recognition, owing to heterogeneity and spatiotemporal misalignment. However, existing methodologies based on vision transformers or state-space models typically disrupt local structural consistency during temporal serialization, obscuring discriminative cues under misalignment and hindering reliable change localization. To address this, we introduce ChessMamba, a structure-aware framework leveraging interleaved state-space modeling for robust CD with multi-temporal inputs. ChessMamba integrates a SpatialMamba encoder with a lightweight cross-source interaction module, featuring two key innovations: (i) Chessboard interleaving with snake scanning order, which serializes multi-temporal features into a unified sequence within a single forward pass, thereby shortening interaction paths and enabling direct comparison for accurate change localization; and (ii) Structure-aware fusion via multi-dilated convolutions, selectively capturing center-and-corner neighborhood contexts within each mono-temporal. Comprehensive evaluations on three CD tasks, including binary CD, semantic CD and multimodal building damage assessment, demonstrate that ChessMamba effectively fuses heterogeneous features and achieves substantial accuracy improvements over state-of-the-art methods.The relevant code will be available at: github.com/DingLei14/ChessMamba.
- Abstract（参考訳）: 多時間リモートセンシング画像における変化検出(CD)は、異種性や時空間的不一致による微粒化認識において重要な課題を呈する。
しかし、視覚変換器や状態空間モデルに基づく既存の手法は、典型的には時間的直列化の際の局所的な構造的一貫性を損なう。
そこで我々はChessMambaという構造対応フレームワークを紹介した。
ChessMambaはSpatialMambaエンコーダと軽量なクロスソースインタラクションモジュールを統合し、2つの重要なイノベーションを特徴としている。
一 チェスボードとヘビの走査順序を交互に交互に交配し、一本の前方通過路内の一括シーケンスにシリアライズすることにより、相互作用経路を短くし、正確な変化の局所化を直接比較することができる。
(II) 多次元畳み込みによる構造認識融合により, 各単時間内における中心・コナー近傍のコンテキストを選択的に把握する。
バイナリCD、セマンティックCD、マルチモーダルビルの損傷評価を含む3つのCDタスクに関する総合的な評価は、ChessMambaが異種機能を効果的に融合し、最先端の手法よりも大幅に精度が向上していることを示し、関連するコードはgithub.com/DingLei14/ChessMambaで利用可能である。
関連論文リスト
- Morphing Through Time: Diffusion-Based Bridging of Temporal Gaps for Robust Alignment in Change Detection [51.56484100374058]
既存の変更検出ネットワークを変更することなく空間的・時間的ロバスト性を改善するモジュールパイプラインを導入する。
拡散モジュールは、大きな外観ギャップをブリッジする中間変形フレームを合成し、RoMaは段階的に対応を推定できる。
LEVIR-CD、WHU-CD、DSIFN-CDの実験は、登録精度と下流変化検出の両方において一貫した利得を示した。
論文 参考訳（メタデータ） (2025-11-11T08:40:28Z) - DiffRegCD: Integrated Registration and Change Detection with Diffusion Features [74.3102451211493]
DiffRegCDは、単一のモデルで密度の高い登録と変更検出を統一する統合フレームワークである。
空中(LEVIR-CD, DSIFN-CD, WHU-CD, SYSU-CD)と地上(VL-CMU-CD)のデータセットによる実験は、DiffRegCDが最近のベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2025-11-11T07:32:19Z) - Complementary and Contrastive Learning for Audio-Visual Segmentation [74.11434759171199]
本稿では,ローカル情報とグローバル情報の両方を処理可能な新しいフレームワークであるComplementary and Contrastive Transformer(CCFormer)を提案する。
提案手法は,S4, MS3, AVSSデータセットにまたがる最先端のベンチマークを新たに設定する。
論文 参考訳（メタデータ） (2025-10-11T06:36:59Z) - 2DMCG:2DMambawith Change Flow Guidance for Change Detection in Remote Sensing [4.18306618346671]
本稿では、2次元空間情報をキャプチャする能力を高めるビジョンマンバ変種に基づく効率的なフレームワークを提案する。
このフレームワークは、2DMambaエンコーダを使用して、多時間画像からグローバルなコンテキスト空間情報を効果的に学習する。
ベンチマークデータセットの実験は、最先端の手法と比較して、我々のフレームワークの優れた性能を示している。
論文 参考訳（メタデータ） (2025-03-01T14:55:13Z) - CD-Lamba: Boosting Remote Sensing Change Detection via a Cross-Temporal Locally Adaptive State Space Model [10.063825912217286]
マンバは、世界的知覚と線形複雑性の利点により、標的領域の変化を特定するために広く応用されている。
Mambaに基づく既存のリモートセンシング変化検出アプローチは、変化領域固有の局所性を効果的に知覚するためにしばしば苦労する。
我々は,グローバルな認識を維持しつつ,変化検出の局所性を効果的に向上させる,新しい局所適応型SSMベースのアプローチCD-Lambaを提案する。
論文 参考訳（メタデータ） (2025-01-26T08:51:10Z) - ChangeMamba: Remote Sensing Change Detection With Spatiotemporal State Space Model [18.063680125378347]
Mambaアーキテクチャは、一連の自然言語処理タスクにおいて顕著なパフォーマンスを示している。
我々は、バイナリ変更検出、セマンティック変更検出、建築損傷評価のために、MambaBCD、MambaSCD、MambaBDAと呼ばれる対応するフレームワークをカスタマイズする。
3つのフレームワークはいずれも最先端のVisual Mambaアーキテクチャをエンコーダとして採用しており、入力画像からグローバルな空間的情報を完全に学習することができる。
論文 参考訳（メタデータ） (2024-04-04T13:06:25Z) - TransY-Net:Learning Fully Transformer Networks for Change Detection of
Remote Sensing Images [64.63004710817239]
リモートセンシング画像CDのためのトランスフォーマーベース学習フレームワークTransY-Netを提案する。
グローバルな視点からの特徴抽出を改善し、ピラミッド方式で多段階の視覚的特徴を組み合わせる。
提案手法は,4つの光学式および2つのSAR画像CDベンチマーク上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-10-22T07:42:19Z) - Weakly Aligned Feature Fusion for Multimodal Object Detection [52.15436349488198]
マルチモーダルデータはしばしば位置ずれの問題に悩まされます。つまり、イメージペアは厳密に一致していません。
この問題により、マルチモーダルな特徴を融合させることが難しくなり、畳み込みニューラルネットワーク(CNN)のトレーニングが難解になる。
本稿では、位置ずれ問題に対処するために、アライメント領域CNN(AR-CNN)と呼ばれる汎用マルチモーダル検出器を提案する。
論文 参考訳（メタデータ） (2022-04-21T02:35:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。