Vision Mamba in Remote Sensing: A Comprehensive Survey of Techniques, Applications and Outlook

要約

ディープラーニングはリモートセンシングを大きく変換しましたが、畳み込みニューラルネットワーク（CNNS）や視覚変圧器（VITS）などの一般的なアーキテクチャは、重要なトレードオフによって制約されたままです。
特に最近提案されたMAMBAアーキテクチャである状態空間モデル（SSM）は、線形計算スケーリングとグローバルコンテキストモデリングを組み合わせて、パラダイムシフトソリューションとして浮上しています。
この調査では、リモートセンシングにおけるMAMBAベースの方法論の包括的なレビューを提示し、約120の研究を体系的に分析して、イノベーションとアプリケーションの全体的な分類法を構築します。
私たちの貢献は、5つの側面にわたって構成されています。（i）視覚の基礎原則マンバアーキテクチャ、（ii）適応スキャン戦略やハイブリッドSSM製剤などのマイクロアーキテクチャの進歩、（iii）国家のハイブリッド適応、および頻度型領域を含むCNN-transformer-mambainの適応を含むマクロアーキテクチャ統合、（iiv）
オブジェクトの検出、セマンティックセグメンテーション、変更検出などの複数のアプリケーションタスク、および（v）実行可能な将来の方向性を備えた未解決の課題の批判的分析。
SSM理論とリモートセンシングプラクティスの間のギャップを埋めることにより、この調査では、MAMBAがリモートセンシング分析のための変革的フレームワークとして確立されています。
私たちの知る限り、この論文は、リモートセンシングにおけるマンバアーキテクチャの最初の系統的レビューです。
私たちの研究は、SSMベースの方法を通じてリモートセンシングシステムの研究を進めるための構造化された基盤を提供します。
オープンソースリポジトリ（https://github.com/baobao0926/awesome-mamba-in-remote-sensing）をキュレートして、コミュニティ主導の進歩を促進します。

要約(オリジナル)

Deep learning has profoundly transformed remote sensing, yet prevailing architectures like Convolutional Neural Networks (CNNs) and Vision Transformers (ViTs) remain constrained by critical trade-offs: CNNs suffer from limited receptive fields, while ViTs grapple with quadratic computational complexity, hindering their scalability for high-resolution remote sensing data. State Space Models (SSMs), particularly the recently proposed Mamba architecture, have emerged as a paradigm-shifting solution, combining linear computational scaling with global context modeling. This survey presents a comprehensive review of Mamba-based methodologies in remote sensing, systematically analyzing about 120 studies to construct a holistic taxonomy of innovations and applications. Our contributions are structured across five dimensions: (i) foundational principles of vision Mamba architectures, (ii) micro-architectural advancements such as adaptive scan strategies and hybrid SSM formulations, (iii) macro-architectural integrations, including CNN-Transformer-Mamba hybrids and frequency-domain adaptations, (iv) rigorous benchmarking against state-of-the-art methods in multiple application tasks, such as object detection, semantic segmentation, change detection, etc. and (v) critical analysis of unresolved challenges with actionable future directions. By bridging the gap between SSM theory and remote sensing practice, this survey establishes Mamba as a transformative framework for remote sensing analysis. To our knowledge, this paper is the first systematic review of Mamba architectures in remote sensing. Our work provides a structured foundation for advancing research in remote sensing systems through SSM-based methods. We curate an open-source repository (https://github.com/BaoBao0926/Awesome-Mamba-in-Remote-Sensing) to foster community-driven advancements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google