ChangeViT: Unleashing Plain Vision Transformers for Change Detection

遥感图像中的变化检测对于追踪地表环境变化至关重要。尽管视觉变换器（ViTs）在许多计算机视觉应用中作为骨干网络取得了成功，但由于其强大的特征提取能力，卷积神经网络（CNN）在变化检测中仍然占主导地位。本文研究揭示了ViTs在识别大规模变化方面的独特优势，这是CNN无法达到的能力。基于这一认识，我们引入了ChangeViT框架，采用普通的ViT骨干网络来增强大规模变化的性能。该框架还配备了一个细节捕捉模块，用于生成详细的空间特征，以及一个特征注入器，用于将细粒度的空间信息高效地整合到高级语义学习中。特征整合确保ChangeViT在检测大规模变化和捕捉细节方面都表现出色，提供了全面的不同尺度的变化检测。ChangeViT在三个流行的高分辨率数据集（即LEVIR-CD、WHU-CD和CLCD）和一个低分辨率数据集（即OSCD）上均取得了最先进的性能，这突显了普通ViTs在变化检测中的潜力。此外，全面的定量和定性分析验证了引入模块的功效，巩固了我们方法的有效性。源代码可在https://github.com/zhuduowang/ChangeViT上获得。

本论文试图解决遥感图像变化检测中的大尺度变化识别问题，验证使用Vision Transformer（ViT）作为骨干网络在该任务中的优势。

本论文提出了ChangeViT框架，采用纯ViT骨干网络，并结合细节捕获模块和特征注入器，以提高大尺度变化的性能。其中，细节捕获模块生成详细的空间特征，特征注入器有效地将细粒度空间信息整合到高级语义学习中，以确保ChangeViT在检测大尺度变化和捕获细节方面表现出色。

本论文在LEVIR-CD、WHU-CD、CLCD和OSCD四个数据集上实现了最先进的性能，证明了使用纯ViT骨干网络在遥感图像变化检测中的潜力。此外，通过详细的定量和定性分析，验证了引入的模块的有效性。

在遥感图像变化检测领域，之前的研究多采用卷积神经网络（CNNs）作为骨干网络，使用不同的方法进行改进。例如，FC-DenseNet、ResNet、UNet等。