Mamba杀入遥感图像！11个全开源idea，助你无痛发顶刊！

推荐一个新兴的，拥有高潜力，且竞争相对较小的研究方向：Mamba+遥感图像。一方面，Mamba相关的研究不算太卷；另一方面，Mamba强大的全局建模能力和高效的计算效率，完美切合遥感图像领域计算效率、长距离建模、多时相分析等方面的需求。

因此，在众多对实时性要求高的场景（比如城市规划、国防安全等）中，Mamba+遥感图像的优势巨大，它的落地前景自然广阔。相对的，关于它的研究成果也逐渐增多，不少高质量新成果陆续发表，比如顶刊TGRS上的ChangeMamba。

如果大家感兴趣，趁这方向还处于低饱和状态，抓紧上车。创新建议紧扣遥感数据特性（比如多模态、多尺度），重点在模型轻量化、任务适配和跨模态融合上突破。需要参考的同学，可直接看我整理好的11篇Mamba+遥感图像新论文，全部都有代码。

全部论文+开源代码需要的同学看文末

ChangeMamba: Remote Sensing Change Detection With Spatiotemporal State Space Model

方法：论文提出了一种基于Mamba架构的遥感图像变化检测方法ChangeMamba，针对二元变化检测、语义变化检测和建筑物损坏评估三种任务设计了不同的框架。这些框架利用Mamba架构高效处理时空信息的能力，结合提出的时空关系建模机制，实现了高精度的变化检测，并在多个基准数据集上超越了传统CNN和Transformer方法。

创新点：

• 首次将 Mamba 架构应用于遥感图像变化检测，有效弥补 CNN 和 Transformer 的不足。

• 提出三种时空关系建模机制，充分挖掘多时相图像的时空信息。

• 构建适用于不同变化检测任务（BCD、SCD、BDA）的框架，展现广泛适用性。

M3amba: CLIP-driven Mamba Model for Multi-modal Remote Sensing Classification

方法：论文提出了一种名为 M3amba 的新方法，用于遥感图像的多模态融合。它结合了 CLIP 模型的语义提取能力和 Mamba 模型的高效性，通过模态特定适配器和 Cross-SS2D 模块实现特征融合，显著提升了遥感图像分类的精度和效率。

创新点：

• 提出了首个基于 CLIP 和 Mamba 的多模态融合模型 M3amba，利用 CLIP 的语义提取能力和 Mamba 的高效性，实现多模态遥感图像的高效融合。

• 设计了多模态 Mamba 融合架构，并嵌入 Cross-SS2D 模块，通过线性复杂度的交互增强模态间的一致性和互补性。

• 在多个遥感数据集上验证了 M3amba 的性能，证明其在分类精度和训练效率上优于现有方法。

RoMA: Scaling up Mamba-based Foundation Models for Remote Sensing

方法：论文提出RoMA框架，用于遥感图像的Mamba模型自监督预训练。它通过自适应旋转编码和多尺度预测解决遥感图像的方向多样性和尺度变化问题，提升模型性能和效率。

创新点：

• 自适应旋转编码策略：动态选择关键区域进行旋转增强，提升对遥感图像中任意方向目标的旋转不变性。

• 多尺度预测目标：聚合不同尺度的预测信息，解决遥感图像中目标尺度变化大的问题。

• Mamba模型可扩展性：通过大规模数据和模型参数预训练，提升性能并保持线性计算复杂度。

UV-Mamba: A DCN-Enhanced State Space Model for Urban Village Boundary Identification in High-Resolution Remote Sensing Images

方法：论文提出了一种名为UV-Mamba的新型神经网络模型，专门用于高分辨率遥感图像中城中村边界的自动识别。UV-Mamba基于状态空间模型（SSM），通过引入可变形卷积（DCN）来增强全局建模能力并缓解长序列建模中的记忆损失问题。

创新点：

• 提出 UV-Mamba 模型，结合可变形卷积（DCN）增强状态空间模型（SSM），缓解长序列建模中的记忆损失。

• 设计 DSSA 模块，利用 DCN 为关键区域分配更多权重，提升全局建模能力。

• 在北京和西安数据集上验证，UV-Mamba 性能优于现有模型，效率更高。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏