基于transformer的遥感图像变化检测

BIT是一种基于transformer的遥感图像变化检测模型。它由三个主要组件组成：Siamese Semantic tokenizer、transformer encoder和Siamese transformer。其中，Siamese Semantic tokenizer将像素到概念生成一个紧凑的语义tokens为每个时间输入；transformer encoder建模语义上下文概念的时空；Siamese transformer投影相应的语义tokens回到像素空间获得每个时间的精炼特征映射。算法1显示了基于变化检测的BIT模型的推理细节。

具体来说，BIT模型的输入是两个遥感图像，分别为$t_1$和$t_2$。首先，Siamese Semantic tokenizer将$t_1$和$t_2$中的像素转换为语义tokens。然后，transformer encoder将这些tokens作为输入，建模它们之间的时空关系。最后，Siamese transformer将这些tokens投影回到像素空间，生成$t_1$和$t_2$的特征映射。通过比较这两个特征映射，BIT模型可以检测出$t_1$和$t_2$之间的变化。