摘要
建筑物检测和变化检测在城市规划和救援工作中至关重要，尤其是在自然灾害后的建筑损毁评估中。当前大多数建筑检测模型仅依赖于单一的前灾害图像，这导致后灾害图像的使用降低了模型性能，因为破坏的建筑影响了检测效果。
为了解决这一问题，本文提出了一种名为 SiamixFormer 的双胞胎模型，该模型同时使用前后灾害图像作为输入。我们的模型采用双编码器和分层变换器架构，每个编码器在每个阶段的输出都会送入一个时序变换器进行特征融合。具体来说，查询从前灾害图像生成，而（键，值）则从后灾害图像生成。时序特征在特征融合中同样得到了考虑。
使用时序变换器进行特征融合的另一个优势在于，相较于 CNN，它们能更好地维持由变换器编码器生成的大感受野。最后，时序变换器的输出会传递给每个阶段的简单 MLP 解码器。
SiamixFormer 模型在 xBD 和 WHU 数据集上进行了建筑物检测评估，并在 LEVIR-CD 和 CDD 数据集上进行了变化检测评估，结果表明其性能超越了现有的最先进模型。
博主点评： SiamixFormer 模型通过引入时序变换器，显著提升了建筑物及变化检测的准确性，尤其是在复杂的后灾害场景中，展示了变换器架构在遥感图像处理中的强大潜力。该研究为未来的城市监测和灾后评估提供了更为可靠的工具。