a486259的博客

1、传统方法的感受野有限，在大面积物体的变化检测中容易存在漏检（可见章节3.2中的实验效果2、BIT与同时期的方法相比，属于flop低、参数少的轻量化模型;且基于transformer后，模型的泛化能力更为强劲（可见章节3.3中的两个图表3、论文本质就是原始transformer在语义分割中的应用，写作较为丰富和扎实，并未针对变化检测的数据特性提出网络结构或module的设计（可见章节4中的消融实验文章在于写作方面建议阅读原文，可以学习各种对比实验的设置、网络layer的公式化等等。

1、本文实验中STANet居然没有FC-EF、FC-Siam-Di、FC-Siam-Conc这很有可能是backbone性能差异导致的（其所使用的pspnet明显是古董网络）2、非多尺度特征方法(FC*,STANet*)在DSIFN-CD数据集上性能下降明显，在DSIFN-CD上明显是需要大尺度的低级语义才能做判断；(在LEVIR-CD上每一个变化区域都是一个实例[建筑]，而在DSIFN-CD上一个变化区域对应着多个变化实例[建筑]，依赖高层语义会使区域所对应的特征发生弥散，从而使区域判断不准)3、Ch

1、相比于STANET，ChangeStar并未能提升模型在LEVIR-CD上的效果，仅是说换了其他的backbone，模型更强大了，性能提升了2、相比于PCC(seg结果直接异或，基本无漏检)，ChangeStar的漏检更多一些，只是PCC方法无法消除配准偏差1、成对标记大规模和高质量的双时遥感图像是非常昂贵和耗时的，这极大地限制了变化检测技术的实际应用；

遥感图像变化检测（CD）可以识别双时间图像之间的显著变化。给定在不同时间拍摄的两幅共配准图像，但是，光照变化和配准偏移(拍摄角度变化)超过了真实物体的变化。探索不同时空像素之间的关系可以提高CD方法的性能。在我们的工作中，我们提出了一种新的基于siamese-based的时空注意神经网络。与以往单独编码双时间图像的方法，而不涉及任何有用的时空依赖性的方法不同，我们设计了一种CD自我注意机制来模拟时空关系。我们在特征提取过程中集成了一个新的CD自注意模块。我们的自