我院李冠霖副教授在国际期刊 IEEE TGRS 发表遥感变化检测研究成果
2026-11-06  点击:[]

我校人工智能与机器人学院李冠霖副教授以第一作者在遥感领域国际期刊 IEEE Transactions on Geoscience and Remote Sensing(IEEE TGRS)发表题为“HAM-CD: Hybrid Attention Mamba for Remote Sensing Change Detection”(HAM-CD:面向遥感变化检测的混合注意力 Mamba 方法)的研究论文。西安建筑科技大学为论文第一完成单位,武汉大学肖志峰教授为通讯作者。该成果发表于期刊 2026 年第 64 卷。

遥感变化检测通过对比同一区域不同时期的影像,识别建筑物、土地覆盖等地表要素的变化,在城市扩展监测、灾害评估和生态环境监测等领域具有重要应用价值。随着高分辨率影像日益丰富,如何在获取大范围场景信息的同时,保留细小变化和清晰边界,成为提升检测精度的关键。现有 Mamba 方法能够较高效地建模远距离像素关系,但在复杂空间结构和局部细节刻画方面仍有改进空间。

针对上述问题,研究提出混合注意力遥感变化检测方法 HAM-CD。该方法采用共享权重的双分支视觉 Mamba 编码器提取双时相影像的多尺度特征,在解码端设计混合注意力 Mamba 模块,将增强局部像素依赖的 Mamba 分支与补充全局信息的转置注意力分支相结合。同时,研究引入交互式通道—空间融合模块,联合建模通道与空间维度的特征差异,促进不同阶段的信息交互,减少特征传递过程中的结构信息损失。

图 1  HAM-CD 网络总体架构及混合注意力模块(论文图 2)

研究在 LEVIR-CD、WHU-CD 和 SYSU-CD 三个公开基准数据集上开展实验。结果表明,HAM-CD 的 F1 分数分别达到 91.54%、94.74% 和 83.43%,在论文所比较的方法中均取得最高 F1 分数。可视化结果显示,该方法能够较好地保持变化区域的整体结构,在建筑物边缘、细小变化区域及复杂背景下呈现更清晰的检测结果。消融实验进一步验证了混合注意力模块与交互式通道—空间融合模块的互补作用。

图 2  三个公开数据集上的变化检测效果对比。前两列为变化前后影像,第三列为人工标注,第四至七列依次为 ChangeFormer、TransUNetCD、SwinSUNet 和 HAM-CD,第八列为 MambaBCD。(论文图 4)

在提升检测精度的同时,该方法兼顾了计算效率。在论文基于 NVIDIA RTX 3090、输入尺寸为 256×256 的测试设置下,HAM-CD 的计算量为 25.17 GFLOPs,推理耗时为 0.19 秒;相较 MambaBCD-Small,计算量降低约 78.1%。这些结果为高分辨率遥感影像变化检测中的精度与计算开销平衡提供了新的方法参考。

为进一步考察不同成像条件下的适用性,研究还在 California 跨模态数据集上进行了验证,探索光学与合成孔径雷达(SAR)影像联合变化检测。实验中,HAM-CD 的 F1 分数达到 96.91%、交并比达到 94.00%,检测结果在洪水影响区域的形状保持与边界刻画方面表现较好,展示了该方法在异源遥感影像分析中的应用潜力。

图 3  California 跨模态数据集的检测结果。前三列为光学、SAR-like 和 SAR 影像,后四列依次为 ChangeFormer、MambaBCD、HAM-CD 和人工标注;红框标示重点比较区域。(论文图 8)

该研究通过融合状态空间建模与注意力机制,为遥感影像的全局信息与局部细节协同表征提供了新的思路,可为地表变化监测、城市建设动态分析和灾害遥感评估等应用提供技术参考。针对密集植被、阴影等复杂场景中仍存在的边界识别问题,研究团队将继续探索更稳健的特征建模与融合策略。

本研究由我校与西北工业大学、武汉大学等单位合作完成,得到国家自然科学基金面上项目(62571414)、国家重点研发项目(2024YFC3015503)及武汉大学测绘遥感信息工程国家重点实验室开放研究基金(25R02)资助。

IEEE TGRS 是 IEEE 地球科学与遥感学会的学术期刊,主要刊载地球科学与遥感领域的理论、方法和技术研究成果,涵盖遥感信息获取、处理与解译等方向。论文配套代码与预训练模型已公开,为相关研究的复现与拓展提供支持。

论文链接:https://doi.org/10.1109/TGRS.2026.3665418

代码链接:https://github.com/guanguanboy/HAM-CD

我院李冠霖副教授在国际期刊 IEEE TGRS 发表遥感变化检测研究成果
2026-11-06  点击:[]

我校人工智能与机器人学院李冠霖副教授以第一作者在遥感领域国际期刊 IEEE Transactions on Geoscience and Remote Sensing(IEEE TGRS)发表题为“HAM-CD: Hybrid Attention Mamba for Remote Sensing Change Detection”(HAM-CD:面向遥感变化检测的混合注意力 Mamba 方法)的研究论文。西安建筑科技大学为论文第一完成单位,武汉大学肖志峰教授为通讯作者。该成果发表于期刊 2026 年第 64 卷。

遥感变化检测通过对比同一区域不同时期的影像,识别建筑物、土地覆盖等地表要素的变化,在城市扩展监测、灾害评估和生态环境监测等领域具有重要应用价值。随着高分辨率影像日益丰富,如何在获取大范围场景信息的同时,保留细小变化和清晰边界,成为提升检测精度的关键。现有 Mamba 方法能够较高效地建模远距离像素关系,但在复杂空间结构和局部细节刻画方面仍有改进空间。

针对上述问题,研究提出混合注意力遥感变化检测方法 HAM-CD。该方法采用共享权重的双分支视觉 Mamba 编码器提取双时相影像的多尺度特征,在解码端设计混合注意力 Mamba 模块,将增强局部像素依赖的 Mamba 分支与补充全局信息的转置注意力分支相结合。同时,研究引入交互式通道—空间融合模块,联合建模通道与空间维度的特征差异,促进不同阶段的信息交互,减少特征传递过程中的结构信息损失。

图 1  HAM-CD 网络总体架构及混合注意力模块(论文图 2)

研究在 LEVIR-CD、WHU-CD 和 SYSU-CD 三个公开基准数据集上开展实验。结果表明,HAM-CD 的 F1 分数分别达到 91.54%、94.74% 和 83.43%,在论文所比较的方法中均取得最高 F1 分数。可视化结果显示,该方法能够较好地保持变化区域的整体结构,在建筑物边缘、细小变化区域及复杂背景下呈现更清晰的检测结果。消融实验进一步验证了混合注意力模块与交互式通道—空间融合模块的互补作用。

图 2  三个公开数据集上的变化检测效果对比。前两列为变化前后影像,第三列为人工标注,第四至七列依次为 ChangeFormer、TransUNetCD、SwinSUNet 和 HAM-CD,第八列为 MambaBCD。(论文图 4)

在提升检测精度的同时,该方法兼顾了计算效率。在论文基于 NVIDIA RTX 3090、输入尺寸为 256×256 的测试设置下,HAM-CD 的计算量为 25.17 GFLOPs,推理耗时为 0.19 秒;相较 MambaBCD-Small,计算量降低约 78.1%。这些结果为高分辨率遥感影像变化检测中的精度与计算开销平衡提供了新的方法参考。

为进一步考察不同成像条件下的适用性,研究还在 California 跨模态数据集上进行了验证,探索光学与合成孔径雷达(SAR)影像联合变化检测。实验中,HAM-CD 的 F1 分数达到 96.91%、交并比达到 94.00%,检测结果在洪水影响区域的形状保持与边界刻画方面表现较好,展示了该方法在异源遥感影像分析中的应用潜力。

图 3  California 跨模态数据集的检测结果。前三列为光学、SAR-like 和 SAR 影像,后四列依次为 ChangeFormer、MambaBCD、HAM-CD 和人工标注;红框标示重点比较区域。(论文图 8)

该研究通过融合状态空间建模与注意力机制,为遥感影像的全局信息与局部细节协同表征提供了新的思路,可为地表变化监测、城市建设动态分析和灾害遥感评估等应用提供技术参考。针对密集植被、阴影等复杂场景中仍存在的边界识别问题,研究团队将继续探索更稳健的特征建模与融合策略。

本研究由我校与西北工业大学、武汉大学等单位合作完成,得到国家自然科学基金面上项目(62571414)、国家重点研发项目(2024YFC3015503)及武汉大学测绘遥感信息工程国家重点实验室开放研究基金(25R02)资助。

IEEE TGRS 是 IEEE 地球科学与遥感学会的学术期刊,主要刊载地球科学与遥感领域的理论、方法和技术研究成果,涵盖遥感信息获取、处理与解译等方向。论文配套代码与预训练模型已公开,为相关研究的复现与拓展提供支持。

论文链接:https://doi.org/10.1109/TGRS.2026.3665418

代码链接:https://github.com/guanguanboy/HAM-CD