【Changer解码头详解及融入neck层数据的实验设计】

最新推荐文章于 2025-12-16 16:32:45 发布

原创

最新推荐文章于 2025-12-16 16:32:45 发布 · 773 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #机器学习 #人工智能

Changer解码头详解

ChangerEx中的 Changer 解码头（定义在 [changer.py](file://opencd\models\decode_heads\changer.py)）是基于双时相输入的，用于遥感变化检测任务。下面我将详细解释：

🎯 一、解码头输入数据来源

输入结构：

输入类型：来自 Backbone 的多尺度特征图（通常为 ResNet 的输出）
输入形式：一个列表，包含多个层级的特征图（例如 [feat1, feat2, feat3, feat4]）
每个特征图形状：(B, C, H, W)，其中：
- B: batch size
- C: 通道数
- H, W: 高度和宽度

特别处理（双时相）：

inputs = self._transform_inputs(inputs)
inputs1 = []
inputs2 = []
for input in inputs:
    f1, f2 = torch.chunk(input, 2, dim=1)
    inputs1.append(f1)
    inputs2.append(f2)

✅ 解释：

每个输入特征图在通道维度上被拆分为两个部分（dim=1），分别代表两个时相的特征。
inputs1: 第一时相的特征列表
inputs2: 第二时相的特征列表

🧱 二、解码头内部处理流程

1. `base_forward()` —— 特征变换与融合

out1 = self.base_forward(inputs1)
out2 = self.base_forward(inputs2)

`base_forward()` 内容如下：

def base_forward(self, inputs):
    outs = []
    for idx in range(len(inputs)):
        x = inputs[idx]
        conv = self.convs[idx]
        outs.append(
            resize(
                input=conv(x),
                size=inputs[0].shape[2:],
                mode=self.interpolate_mode,
                align_corners=self.align_corners))
    out = self.fusion_conv(torch.cat(outs, dim=1))
    ret