纯Transformer的变化检测

---

前言

上次介绍过BIT，是一种基于Transformer孪生网络的变化检测结构，但它的设计思想是利用一个卷积网络提取特征图，将特征图像NLP那样处理成token，在token中集成了两张图片的异同特征，再进入Transformer模块进行后续提取。

所以可以认为BIT是ConvNet+Transformer的架构，而今天要介绍的ChangeFromer就是纯Transformer架构去做变化检测，并且我认为它可理解性可高。

如果对此没有了解，可以看看上篇相关文章：BIT—— 基于孪生网络的变化检测结构分析

---

一、ChangeFormer

ChangeFormer的论文很简短，设计思想也很简单，可以概括为大力出奇迹，硬train一个孪生网络来做变化检测了。

BIT中，是利用transformer中的编码器结构挖掘两张图片语义特征层面的相差，利用解码器去还原两张图片中异同点的感兴趣点。

但像VIT中，对于图像的处理是没有解码器部分的，所以CangeFormer也只是利用了transformer结果的编码器结果，去提取两张图片的特征。有意思的是，ChangeFormer设计了计算每层解码器输出特征图的偏差Difference Module，最后就是利用每层Difference Module计算出来的结果去经过一个MLP解码器生成差异图。所以我觉得ChangeFormer就是Transformer+FCN的架构。

所以接下来，就以三个重要组成部分来分析一下ChangeFormer,分别是提取特征的Transformer Block，计算两张图片差异的Difference Module和根据差异特征生成变化图的MLP Decoder 

提取特征的Transformer Block

每个提取特征的Transformer Block又分为三部分，一部分是对特征图下采样，一部分就是经典的自注意力模块还有就是融合了位置编码的MLP模块

下采样Downsampling Block

这里设计的下采样模块，其实应该是借鉴了Swin Transformer的设计思路，就是对于每一层的特征图都进行长宽4倍的下采样，在维度层面翻倍。

除了第一个特征层是用的7x7的，步幅4，Padding为3的卷积层以外，其余层用的都是3x3，步幅为2，padding为1的卷积层进行下采样操作。

                                  

提取特征Transformer Block

这里的Transformer模块，其实也和之前介绍过的大差不差，唯一的区别应该是有关多头自注意的实现。使用了类似分组卷积思想的注意力实现，来加速运算。原来的attention可以用下式表示。

                                              

而在ChangeFormer中采用的是形式是将Q,K,V 从reshape到 ，R为设置的缩放因子来加速计算。再经过一个线性层把维度从CR降维为C，那么原来的QKV最后变为的维度。

原来Attention的计算量是,如果经过上述操作后的计算量就变为。具体为什么能忽略线性层的计算量。是因为其代码实现层面，上述Reshape和线性层的操作，是通过一个卷积完成的。

我们假设R选为8，那么只需要利用一个kernel size为8，步幅为8的卷积，那么QKV就可以达到上面所说的效果啦。

具体结构这里就不画了，因为只是在多头注意力模块中计算QKV前，把输入的Patch经过上面描述的卷积即可。

融合位置编码的MLP模块

在ChangeFormer中的位置编码和VIT中的有所不同，在VIT中，位置编码是相对于一个独立的向量加到Embedding后的向量组中的。而ChangeFormer 则是通过全连接层+深度卷积+全连接层的结构去表示位置编码的。这个好处在于这个位置编码不是固定的，所以可以处理不同分辨率的位置信息。这个地方其实是借鉴了SegFormer里的操作（有空会讲）

                                                             

 所以整个编码器的组成就是由这个Block组成。

 特征图差异计算Difference Module

ChangeFormer很直观，如果要分析两张图片的区别是什么，那么我就把两张图片的每层特征图拉出来，做处理，通过集成每层之间的区别，最后根据此去生成变化图。那么我就看看如果设计这个计算差异的模块。

作者设计的计算这个差异的模块，其实就是把每层的两个特征图拼接起来，然后一起经过一系列卷积去进一步提取两个特征图之间的差异。

具体来说，即上图所示。

有一点注意的是，每一层差异模块计算出来的差异，都会再传递到下一层继续计算。

 MLP Decoder

在经过上述一系列差异模块计算出来的特征图后，我们就可以依据此差异特征图的信息，去构造变化图了。整个Decoder的设计思想就是依据FCN的思路，主要就两部分，上采样和最后的分类输出（这里分类就是指此像素属不属于变化类）

具体步骤就是将结合不同层次的差异特征图进行特征融合，然后利用转置卷积进行上采样操作，通过一系列残差块保持特征，最后经过一个分类卷积，来生成变化图。

差异特征融合 

不同层次的特征进行融合时，作者将不同层次的特价在维度上进行拼接，然后经过一个1x1的卷积进行特征融合（也是很经典的操作）

对于上采样就不多说了，就是一个转置卷积。

残差块设计

作者这里的残差块设计，我个人认为就是一个在上采样的基础上，尽可能想保留信息的操作，因为当特征图经过两层卷积后，我们将其中的值乘以0.1后再和原始特征相加。

          

然后再相加的操作之后，作者并没有接上RELU的激活层（不太理解） 

最后分类头也比较简单，就是一个3x3的卷积，维度降维2.

 至此，整个ChangeFormer的结构就捋清了。

---

总结

对于ChangeFormer，个人认为他的优点就是设计思路比较直观，并且利用Transformer不需要卷积网络做为bacbkone提取特征的优点。其中直接去计算每层特征图的差异，然后利用此去做FCN还原变化图，这个思路是比较直观的。

但其中有些地方的设计，我个人是有点不能理解的，有可能这就是大力出奇迹吧。