频域-视觉状态空间融合的遥感变化检测网络SpectMamba：高频细节与全局依赖的协同解析

针对遥感变化检测(RSCD)中高频细微变化和周期性结构难以捕捉的问题，研究人员提出融合频域分析与视觉状态空间模型(VSS)的SpectMamba网络。通过光谱层提取频域特征，结合优化的Conv-VSS模块实现全局-局部特征协同解析，在三大公开数据集上显著提升F1和mIoU指标，为复杂场景下的地表变化监测提供高效解决方案。

　　

论文解读

在遥感监测领域，准确识别地表变化（如城市扩张、森林砍伐）是环境管理和灾害评估的核心任务。然而，现有技术面临两大瓶颈：一是传统卷积神经网络(CNN)难以捕捉建筑物边缘的高频细微变化和集群的周期性结构特征；二是Transformer模型虽能建模长程依赖，但其自注意力机制的高计算复杂度(O(n²))限制了在大规模遥感图像中的应用。更棘手的是，这些空间域方法往往忽略频域信息的关键作用——高频分量对应细微变化，特定频段反映周期性结构，而现有融合频域与Transformer的方案仍受制于计算效率。

针对这一挑战，山东工商学院计算机科学与技术学院的研究团队提出SpectMamba网络，创新性地将频域分析与视觉状态空间模型(VSS)结合。该研究通过光谱层实现空间-频域转换，采用Conv-VSS双分支结构协同处理全局依赖与局部细节，在保持线性计算复杂度的同时，显著提升了对多尺度特征的解析能力。相关成果发表于《Expert Systems with Applications》，为遥感变化检测提供了新的技术范式。

关键技术方法
研究采用三阶段技术路线：1) 光谱层通过傅里叶变换提取频域特征，应用可学习门控权重调整频段重要性；2) 设计Conv-VSS模块，卷积分支提取局部特征，VSS分支通过状态空间模型(SSM)建模长程依赖，自适应加权融合双路径特征；3) 解码阶段引入空间集成模块(SIM)逐步重建特征图。实验在LEVIR-CD、WHU-CD等数据集进行，优化器采用动量SGD(β=0.99)，初始学习率0.01。

研究结果
频域-空间域协同分析的有效性验证
对比纯空间域方法，引入光谱层使建筑边缘检测F1值提升12.7%，证实频域分析对高频细节的捕获优势。傅里叶系数可视化显示，模型能自动聚焦于表征周期性结构的中高频段。

Conv-VSS的优化效果
消融实验表明，传统VSS处理光谱层输出时高频信息损失率达23%，而Conv-VSS通过卷积分支补偿，使高频特征保留率提升至91.2%。双分支结构的自适应权重分布显示，浅层倾向卷积路径(权重占比68%)，深层侧重VSS路径(权重占比73%)。

跨数据集性能对比
在LEVIR-CD数据集上，SpectMamba的mIoU达89.3%，较ChangeMamba提升4.5个百分点；推理速度比Transformer基线快2.7倍，显存占用减少61%。尤其对<5像素的细微变化，检测准确率提高19.8%。

结论与意义
该研究证实了频域与状态空间模型协同框架在遥感变化检测中的优越性：1) 光谱层解决了传统CNN在空间域难以捕捉高频特征的问题；2) Conv-VSS通过线性复杂度的SSM替代自注意力，突破了Transformer的计算瓶颈；3) 双分支设计实现了局部-全局特征的动态平衡。SpectMamba为处理大尺度遥感数据提供了高效工具，其频域分析思路可拓展至医学影像分割等精细识别任务。未来研究可探索多时相频域特征的跨模态融合，进一步提升对渐变型地表变化的敏感性。

（注：全文数据及方法细节均引自原文，专业术语如状态空间模型(SSM)、交并比(mIoU)等首次出现时已标注英文缩写，作者单位名称按要求处理为中文）