2025深度学习发论文&模型涨点之——Mamba+遥感

遥感图像通常具有高分辨率和大规模的特点，传统的卷积神经网络（CNN）和基于Transformer的模型在处理这类图像时存在局限性。CNN由于其局部卷积操作，难以捕捉全局上下文信息；而Transformer虽然能够捕捉长距离依赖关系，但其计算复杂度较高，难以处理大规模图像。Mamba架构基于状态空间模型（SSM），具有线性时间复杂度和全局建模能力，能够有效解决这些问题。

我整理了一些Mamba+遥感【论文+代码】合集

论文精选

论文1：

RSMamba: Remote Sensing Image Classification with State Space Model

RSMamba：基于状态空间模型的遥感图像分类

方法

状态空间模型（SSM）：利用SSM的全局建模能力和线性复杂度，将二维图像转换为一维序列进行处理。

动态多路径激活机制：通过创建前向、反向和随机路径，增强模型对二维图像数据的建模能力，解决传统Mamba模型只能处理因果序列的限制。

重叠分块与位置编码：将图像分割成重叠的块，并添加位置编码以保留图像的空间位置信息。

Mamba块堆叠：通过多个Mamba块的堆叠，逐步提取图像的长距离依赖关系。

创新点

动态多路径激活机制：首次引入动态多路径激活机制，解决了传统Mamba模型只能处理因果序列且对空间位置不敏感的局限性，显著提升了遥感图像分类的性能。

性能提升：在UC Merced、AID和RESISC45三个数据集上，RSMamba的分类性能显著优于现有的基于CNN和Transformer的方法。例如，在UC Merced数据集上，RSMamba的F1分数达到了93.88%，比ResNet-50提升了2.23个百分点；在AID数据集上，F1分数达到了91.66%，比ResNet-50提升了2.63个百分点；在RESISC45数据集上，F1分数达到了94.84%，比ResNet-50提升了2.37个百分点。

线性复杂度与效率：RSMamba保持了Mamba模型的线性复杂度，使其在处理大规模遥感图像时更加高效，同时减少了对硬件资源的需求。

论文2：

Spectral-Spatial Mamba for Hyperspectral Image Classification

SS-Mamba：用于高光谱图像分类的光谱-空间Mamba模型

方法

光谱-空间令牌生成：将高光谱数据立方体转换为空间和光谱序列，通过轻量级多层感知机（MLP）进行特征映射，并进行空间和光谱分区。

光谱-空间Mamba块：设计了包含两个基本Mamba块和一个特征增强模块的光谱-空间Mamba块，分别处理空间和光谱令牌，并通过中心区域信息增强特征。

特征增强模块：通过调节空间和光谱令牌，增强光谱-空间特征并实现信息融合。

创新点

光谱-空间学习框架：首次将Mamba模型应用于高光谱图像分类，通过光谱-空间学习框架充分利用高光谱样本中的光谱-空间信息，显著提升了分类性能。

性能提升：在Indian Pines、Pavia University、Houston和Chikusei四个数据集上，SS-Mamba的分类性能优于现有的基于CNN和Transformer的方法。例如，在Pavia University数据集上，SS-Mamba的总体准确率（OA）达到了96.40%，比DBDA提升了0.53个百分点；在Houston数据集上，OA达到了94.30%，比MSSG提升了0.38个百分点。

特征增强模块：通过特征增强模块，SS-Mamba能够更好地利用中心区域信息，进一步提升了分类性能。例如，在Houston数据集上，引入特征增强模块后，OA从92.21%提升到了94.30%，提升了2.09个百分点。

论文3：

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

UV-Mamba：一种用于高分辨率遥感图像中城中村边界识别的DCN增强型状态空间模型

方法

编码器-解码器框架：采用编码器-解码器架构，编码器包含四个可变形状态空间增强块，用于高效提取多级语义信息；解码器用于整合提取的语义信息。

可变形卷积（DCN）：通过可变形卷积为感兴趣区域分配更大的权重，缓解了状态空间模型在长序列建模中的内存丢失问题。

多路径扫描：在编码器中引入多路径扫描机制，从八个方向（水平、垂直、对角线及其反向）聚合扫描结果，以捕捉复杂的空间关系。

创新点

DCN增强：通过可变形卷积增强状态空间模型的全局建模能力，显著提升了模型在高分辨率遥感图像中的边界识别性能。例如，在北京数据集上，UV-Mamba的交并比（IoU）达到了73.3%，比之前的最佳模型提升了1.2个百分点；在西安数据集上，IoU达到了78.1%，提升了3.4个百分点。

性能提升：UV-Mamba在推理速度和参数数量上也表现出显著优势。与之前的最佳模型相比，UV-Mamba的推理速度提高了6倍，参数数量减少了40倍。

多路径扫描机制：通过多路径扫描机制，UV-Mamba能够更好地捕捉复杂的空间关系，进一步提升了边界识别的准确性。