简介基于Transformer的遥感影像变化检测算法完整项目源码面向遥感分析、深度学习方向的研究者与工程师用于高效捕捉影像间的全局空间依赖与变化特征弥补传统手工特征法在复杂场景下检测精度不足、泛化能力弱的短板可支撑城市规划、灾害监测、资源管理等应用场景。压缩包共61个文件以Python源码20个py和遥感影像样本36个png为主体另含Shell运行脚本、模型权重pt及Markdown说明文档整体大小57.55MB。已有225人学习。项目源码包含数据预处理、Transformer模型构建、损失函数定义、训练调参与结果评估等完整模块并内置典型数据集配置与预训练权重能够一键复现实验流程README文档详细说明目录结构与运行步骤便于快速上手。此外样本图像与可视化脚本可帮助直观比对变化检测效果适合作为算法研究、论文复现和工程落地的参考基座。1. 为什么遥感变化检测要用 Transformer双时相影像差异计算的一线答案两期同一区域的遥感影像摆在你面前靠人工对比找变化眼睛看花是小事漏检和误检才是真正要命的损失。遥感影像变化检测要解决的就是自动找出“这段时间里地面到底哪里变了”——房子有没有新建、农田有没有被占用、河道有没有改道。基于 Transformer 的变化检测模型用自注意力机制同时建模两期影像的全局上下文比传统影像差分和纯卷积网络更擅长捕捉微小但关键的变化区域。这份源码包是完整的可运行项目从数据裁剪、模型构建到训练评估、推理可视化都能直接跑通适合做遥感算法、毕业设计以及工程落地的实际需要。2. 源码包结构与核心思路双时相输入、Swin Transformer 编码与文件布局2.1 先看目录源码包的文件布局与运行入口拿到压缩包解压后第一步不是看论文、不是调参数而是把目录结构摸清楚。我按这套源码的实际组织方式整理成一张表跑通之前先对照一下避免后面连文件放哪都找不到文件/目录作用data/训练数据存放目录按 train / val / test 划分内部再分 t1、t2、labelmodels/模型定义目录编码器、解码器、主干网络构建都在这里面utils/工具函数目录数据加载、指标计算、可视化脚本都在这train.py训练入口负责数据加载、优化器配置、训练循环、模型保存predict.py推理入口加载权重输入一对影像直接输出变化图requirements.txtPython 依赖列表环境不对跑不起来先按这个装README.md运行说明里面通常有完整命令运行入口只有两个train.py 和 predict.py。其余 models、utils 都是被这两个入口调用的模块。我建议第一次复现时严格按 README 里的命令先跑通一次再动参数不要一上来就改网络结构——先建立“能跑的基线”比直接追求“更好的效果”重要得多。2.2 为什么是 Transformer从双时相差异计算到自注意力机制变化检测的标准输入是同一区域、不同时相的两幅遥感影像记作 T1 和 T2配套的标签是一张同样尺寸的二值图像素值为 1 表示“这里变了”。这个任务的核心是找到 T1 有而 T2 没有、或者 T1 没有而 T2 有的位置。传统做法靠影像差分或者植被指数差值思路直白但对光照变化、配准误差极其敏感两期影像只要亮度稍有差异差分结果就全是噪声。Transformer 进入这个领域后处理两期影像的主流方式有三种我在实际拆代码时把这三种都对比过通道拼接Concat。把 T1 和 T2 沿通道方向拼起来形成 6 通道输入网络自己在深层特征里学会“做差”。实现最简单但两期的信息混在一起模型很难显式对齐两幅影像的空间位置和语义收敛偏慢。Siamese 双分支。两个共享权重的编码器分别提取 T1 和 T2 的特征在解码器之前把两套特征做差得到差异特征再上采样回原分辨率。这套源码采用的就是这种结构。它最大的好处是两期影像的特征尺度一致模型不需要隐式地对齐参数量也小是三种方案里工程上最稳的。差分注入。在 Transformer 每一层注意力计算之前把两期特征的差显式拼进序列相当于让每个注意力头都“带着差异信息”去计算。对细节变化更敏感但显存开销大代码复杂度也高属于进阶改造。把模型输入设计成双时相结构之后注意力机制的价值才真正体现出来。自注意力让每个位置都能看到全图其他位置的信息建筑物变化、农田边界这类需要上下文判断的目标比局部感受野的卷积网络更容易被捕获。2.3 为什么不直接上 ViTSwin Transformer 与位置编码既然要用 Transformer第一个跳进脑子里的往往是 ViT。但我实际对比后劝你在这个场景里优先考虑 Swin Transformer理由有两个都很工程化。第一个是位置编码。原始 ViT 使用绝对位置编码长度和输入尺寸绑死。训练时用 224×224推理时换成遥感大图位置编码只能插值这里就有信息损耗。而 Swin Transformer 用的窗口自注意力加相对位置偏置编码的是窗口内 patch 之间的相对位置关系天然支持任意尺寸输入。遥感影像动辄上千像素这个特性是刚需。Swin-Tiny 的典型配置是 patch size 为 4、窗口大小为 7、embed_dim 为 96这四个数字决定了特征图的分辨率和感受野改动任何一个是会直接反应在显存和精度上的。第二个是预训练权重。Swin 在 ImageNet 上训练得很充分迁移到遥感影像上把前几层冻结、后面层微调就能在小数据集上获得相对不错的结果。解码器这边源码里用的是 FPN 风格的上采样路径把编码器各层输出逐级融合浅层细节和深层语义一起参与最终预测。相比简单的单层上采样这种方式对小目标的定位能力有明显提升。提示如果你手头的数据量只有几百对影像不要从零训练 Swin直接加载官方预训练权重再微调效果和收敛速度都差一个量级。3. 数据管线从影像裁剪、归一化到训练集/验证集划分3.1 数据目录组织与影像配对遥感变化检测最忌讳数据组织混乱。两期影像必须精确配准文件名一一对应标签必须是单通道的 0/1 掩膜。我习惯把数据整理成下面的结构这套源码也是按这个约定设计的data/ train/ t1/ 0001.png t2/ 0001.png label/ 0001.png val/ t1/ ... t2/ ... label/ ...每一批文件的文件名前缀相同t1、t2、label 三个子目录里的同名文件构成一个训练样本。标签图必须是单通道灰度图像素值为 255 的是变化区域0 是不变区域读取时按阈值二值化。很多翻车案例出在标签存成了三通道、或者像素值既不是 0 也不是 255——模型训练时 loss 能降但预测结果完全没法看。3.2 裁剪与归一化把 1024×1024 切成 256×256公开遥感数据集的原始影像大多是 1024×1024 甚至更大整图直接进模型显存压力大训练也慢。常见做法是先裁剪成 256×256 的图块再在“影像级”层面划分训练集和验证集确保同一张影像的图块不会同时出现在训练集和验证集里否则验证指标会虚高换到新影像上立刻现原形。import cv2 import numpy as np from pathlib import Path def crop_triplet(t1_path, t2_path, label_path, out_dir, crop_size256): t1 cv2.imread(t1_path) # BGR 三通道 t2 cv2.imread(t2_path) label cv2.imread(label_path, cv2.IMREAD_GRAYSCALE) # 单通道灰度 h, w t1.shape[:2] out_dir Path(out_dir) for y in range(0, h, crop_size): for x in range(0, w, crop_size): c1 t1[y:y crop_size, x:x crop_size] c2 t2[y:y crop_size, x:x crop_size] cl label[y:y crop_size, x:x crop_size] if c1.shape[0] crop_size or c1.shape[1] crop_size: continue stem f{Path(t1_path).stem}_{y}_{x} cv2.imwrite(str(out_dir / t1 / f{stem}.png), c1) cv2.imwrite(str(out_dir / t2 / f{stem}.png), c2) cv2.imwrite(str(out_dir / label / f{stem}.png), cl)crop_size 设成 256步长也按 256 走这是不重叠裁剪正好把一张 1024×1024 图切成 16 块。步长改成 crop_size // 2 就是重叠裁剪样本量接近翻倍但同一块地面会出现在多个图块里验证集必须错开不然模型容易把重复区域的特征背下来。裁剪之后是归一化。Swin 编码器加载的是 ImageNet 预训练权重输入分布必须对齐预训练时的统计值def normalize(image, mean(0.485, 0.456, 0.406), std(0.229, 0.224, 0.225)): image image.astype(np.float32) / 255.0 image (image - np.array(mean)) / np.array(std) return image.astype(np.float32)mean 和 std 沿用 ImageNet 统计值的原因只有一个预训练权重的输入层是针对这个分布学出来的。如果你的数据是多光谱卫片通道数不是 3那这套预训练权重就用不上了得从头训或者换编码器。真遇到这种情况我一般先在训练集上把每个通道的 mean 和 std 算出来再用自己的统计值归一化。3.3 Dataset 加载器与数据增强数据整理完接下来要把它变成 PyTorch 能吃的东西。Dataset 类负责把文件路径变成张量同时把数据增强挂进去import torch from torch.utils.data import Dataset class ChangeDetectionDataset(Dataset): def __init__(self, root, splittrain, crop_size256): self.t1_dir root / split / t1 self.t2_dir root / split / t2 self.label_dir root / split / label self.names sorted(p.name for p in self.t1_dir.glob(*.png)) def __len__(self): return len(self.names) def __getitem__(self, idx): name self.names[idx] t1 cv2.imread(str(self.t1_dir / name)) t2 cv2.imread(str(self.t2_dir / name)) label cv2.imread(str(self.label_dir / name), cv2.IMREAD_GRAYSCALE) # 以相同的随机种子处理三张图保证空间位置对应 seed torch.randint(0, 100000, (1,)).item() for img in (t1, t2, label): torch.manual_seed(seed) if img.ndim 3: img[:] img t1 torch.from_numpy(normalize(t1).transpose(2, 0, 1)) t2 torch.from_numpy(normalize(t2).transpose(2, 0, 1)) label torch.from_numpy((label 127).astype(np.float32)) return {t1: t1, t2: t2, mask: label}这个类返回的是一个字典包含 t1、t2、mask 三个张量训练时直接按 key 取。标签阈值设在 127也就是原始灰度值大于 127 才认为是变化区域。数据增强我建议只做简单的几何变换水平翻转、垂直翻转、90 度旋转变化检测任务对几何增强比较友好翻转不会破坏“哪里变了”这个语义。颜色抖动要谨慎遥感影像的颜色本身就代表地物信息瞎调亮度色相容易让模型学歪。4. 训练与评估损失函数搭配、学习率设置与指标解读4.1 损失函数BCE 与 Dice 的组合逐像素二分类第一反应是二值交叉熵。但遥感影像里“变化”和“未变化”严重不平衡变化区域往往只占整张图的 5% 不到单独用 BCE模型很快学会全预测成“无变化”loss 表面在降F1 却在原地踏步。常见的解法是把 BCE 和 Dice loss 组合起来用import torch import torch.nn as nn class ChangeLoss(nn.Module): def __init__(self, bce_weight0.5, dice_weight0.5, smooth1.0): super().__init__() self.bce nn.BCEWithLogitsLoss() self.bce_weight bce_weight self.dice_weight dice_weight self.smooth smooth def forward(self, logits, mask): bce self.bce(logits, mask) prob torch.sigmoid(logits) inter (prob * mask).sum(dim(1, 2, 3)) dice 1.0 - (2.0 * inter self.smooth) / ( prob.sum(dim(1, 2, 3)) mask.sum(dim(1, 2, 3)) self.smooth ) return self.bce_weight * bce self.dice_weight * dice.mean()forward 里第一个操作是拿 logits 直接和 mask 算 BCE不用先过 sigmoid因为 BCEWithLogitsLoss 内部已经做了数值稳定的 sigmoid 计算。Dice 部分则要先过 sigmoid因为它是基于“预测概率与标签的相似度”来算的。smooth 参数防止分母为 0训练初期预测全零时不会除零崩溃。两个权重怎么调默认 0.5 对 0.5 起步。如果变化区域特别小把 dice_weight 提到 0.7模型会把注意力往变化区域倾斜。但别一次加太狠Dice 权重过高会让 loss 曲面变陡训练后期容易在验证集上抖动。4.2 训练主循环与优化器参数训练循环的骨架很标准但有几个参数值得按经验值设好我整理成一张表照着设基本不会出大问题参数建议值说明batch_size4 ~ 8256×256 输入下batch8 大约需要 14~16G 显存learning_rate1e-4 ~ 2e-4加载预训练权重时从 1e-4 起步比较稳epochs50 ~ 100数据量小 50 轮能收敛复杂场景加长到 100 轮crop_size256显存和精度的中间值512 可试但容易 OOMoptimizerAdamWweight_decay 默认 1e-4 即可from torch.cuda.amp import autocast, GradScaler scaler GradScaler() optimizer torch.optim.AdamW(model.parameters(), lr1e-4, weight_decay1e-4) for epoch in range(epochs): model.train() for batch in train_loader: t1 batch[t1].cuda() t2 batch[t2].cuda() mask batch[mask].cuda() optimizer.zero_grad() with autocast(): logits model(t1, t2) loss criterion(logits, mask) scaler.scale(loss).backward() scaler.step(optimizer) scaler.update()autocast 和 GradScaler 是 PyTorch 混合精度训练的标准组合半精度计算能明显压低显存占用和训练时间尤其对 Swin 这种参数体量的模型开着能省 30% 以上的显存值得养成默认开启的习惯。学习率调度上我前 5 个 epoch 会用线性 warmup 把学习率从 0 升到目标值Transformer 对学习率比卷积敏感得多直接上大学习率loss 常常在第一个 epoch 就冲飞后面很难拉回来。4.3 评估指标F1、IoU 与 OA 的统计口径训练过程中每个 epoch 结束要在验证集上算指标放行的依据是验证集 F1不是训练 loss。指标代码本身不复杂但统计口径必须统一我见过有人把 precision 写成分母是 tp fp fnF1 直接算成 0.5还拿去出报告这就是没核对公式。def calc_metrics(pred_mask, gt_mask, eps1e-6): pred pred_mask 0.5 gt gt_mask 0.5 tp (pred gt).sum().float() fp (pred ~gt).sum().float() fn (~pred gt).sum().float() precision tp / (tp fp eps) recall tp / (tp fn eps) f1 2 * precision * recall / (precision recall eps) iou tp / (tp fp fn eps) oa (pred gt).sum().float() / gt.numel() return { prec: precision.item(), recall: recall.item(), f1: f1.item(), iou: iou.item(), oa: oa.item(), }四个指标里OA整体精度最容易虚高因为未变化像素占大多数全猜“没变”都有 90% 以上精度。F1 和 IoU 才是判断模型有没有用的关键尤其是 IoU它同时对漏检和误检做惩罚IOU 0.7 以上的模型才接近能用的水平。4.4 训练过程的产物权重保存与变化概率图预览训练流程里最容易忽略的是可视化。模型输出的是 logits转成 sigmoid 概率之后把概率图叠加到 T2 影像上红色区域就是模型认为“变了”的地方。每 5 个 epoch 存几张预览图到磁盘上肉眼扫一眼比单看数字更能发现问题def save_overlay(t2_image, prob_map, save_path, threshold0.5): overlay t2_image.copy() overlay[prob_map threshold] (0, 0, 255) # BGR 红色 cv2.imwrite(save_path, overlay)从这几张预览图能看到三件事模型有没有把整片区域都预测成变化是不是只捡大块变化区域、小目标全丢了以及变化区域的边缘是不是糊成一团。这些信息在 F1 数字里看不出来必须看图。5. 实战避坑Transformer 变化检测的五个常见翻车点5.1 训练 loss 震荡不收敛现象loss 在 0.6 附近来回跳20 个 epoch 过去了一点下降的意思都没有验证集 F1 始终贴着 0。原因三选一。没加载预训练权重Swin 从头学遥感特征极其慢学习率开得太大Transformer 对学习率的敏感度远高于 CNN以及没有 warmup训练一开局就遭到大学习率冲击。解决先做一个 smoke test拿 8 对图块、batch_size2 跑几十步确认 loss 能稳定降下来再上全量数据。然后检查预训练权重是否真的加载成功——打印模型的 stem 层参数数值跟官方权重一致才算加载。最后把学习率收到 1e-4加 5 个 epoch 的线性 warmuploss 曲线会立刻变得能看懂。5.2 GPU 显存溢出 OOM现象程序启动后第一个 batch 就报 CUDA out of memory或者训练到中途半路崩掉。原因crop_size 和 batch_size 的组合超过了显存上限。Swin 的窗口注意力虽然省显存但 FPN 解码器在高分辨率特征图上采样时显存消耗并不小。解决先把 batch_size 降到 4crop_size 降到 256这两步能解决九成 OOM。还不行就在编码器层开梯度检查点gradient checkpointing用少量训练时间换显存空间。混精度训练也要开autocast 在显存紧张时是刚需不是可选项。5.3 小目标变化漏检严重现象训练出来 F1 在 0.8 以上可视化一看体积小的变化区域全被模型当成噪声滤掉了只有成片的大变化能看到。原因网络经过多级下采样8 倍下采样后一个 16×16 像素的小目标在特征图里只剩 2×2 像素语义信息几乎消失。加上 BCE 权重偏高小目标对 loss 的贡献被大面积未变化像素淹没。解决把 dice_weight 提到 0.7让损失函数更关注类别不平衡推理时不用整图直出改成重叠滑窗stride 设成 crop_size 的一半相邻窗口重叠区域取平均小目标被多个窗口重复覆盖漏检率明显下降。5.4 训练和推理预处理不一致现象训练时验证集的 F1 有 0.8一上 predict.py输出的变化图要么全黑要么满是噪点。原因推理时的预处理和训练时不一致。常见的是忘了 normalize直接把 0~255 的像素喂给模型或者忘了把单张图扩成 4D 张量模型拿到的 shape 是 (C,H,W)而训练时是 (B,C,H,W)还有 PIL 读图是 RGBOpenCV 读图是 BGR通道顺序对不上导致颜色语义完全错乱。解决把 normalize 和转张量封装成同一个函数训练循环和推理脚本都调用它不许各写一份。伸手改之前先打印输入张量的 mean、std、shape对照训练时的值确认一致再推理。这条我栽过一次从那以后推理脚本的第一行一定是断言“shape 是 4D数值范围在 -2 到 2 之间”。5.5 验证集与真实场景落差太大现象验证集 F1 0.85自己找了一块新区域的影像一测F1 直接跌到 0.4模型完全不敢用。原因训练集、验证集来自同一片区域两期影像之间存在很强的空间自相关。模型学的可能不是“建筑怎么变化”而是“这个地区的建筑长什么样”。换一个城市、换一个传感器立刻露馅。解决验证集和测试集尽量跟训练集在空间上分开比如训练用 A 市验证用 B 市。训练时增加几何增强弱化模型对特定区域纹理的依赖。推理结果出来之后做一次形态学后处理先开运算去掉零星误检再闭运算把断裂的变化区域连起来这一步对最终视觉效果提升非常明显。6. 推理脚本与进阶滑窗推理、模型轻量化与开放词汇变化检测推理阶段的代码在 predict.py 里核心就是加载训练完的权重把一对影像输出成一张变化图。这里我强烈建议用重叠滑窗而不是整图直出尤其是当推理影像比训练时的 crop_size 大很多的时候def sliding_window_infer(model, t1, t2, crop_size256, stride128): model.eval() h, w t1.shape[2], t1.shape[3] prob torch.zeros((1, 1, h, w), devicet1.device) weight torch.zeros_like(prob) with torch.no_grad(): for y in range(0, h - crop_size 1, stride): for x in range(0, w - crop_size 1, stride): p1 t1[:, :, y:y crop_size, x:x crop_size] p2 t2[:, :, y:y crop_size, x:x crop_size] logit model(p1, p2) prob[:, :, y:y crop_size, x:x crop_size] torch.sigmoid(logit) weight[:, :, y:y crop_size, x:x crop_size] 1 prob prob / weight.clamp(min1) return (prob 0.5).float()stride 设成 128意思是相邻两个窗口有一半是重叠区域。重叠区域被多次预测最后取平均边缘伪影被显著削弱。这个技巧对提升变化边界质量比换模型更直接先试推理参数不满意再动网络结构。这套源码往上走的方向最值得说的是开放词汇变化检测。当前输出是二值图“变了”还是“没变”就结束了。实际工程里往往要追问“发生了什么变化”——是新建房屋、森林砍伐、还是水体变化。做法是在解码器侧加一个语义头把变化检测从二分类扩展成多分类更进一步把文本提示像 CLIP 那样作为条件输入用“房子”“道路”“水体”等自然语言描述来控制检测目标这是目前比单纯二分类实用得多的方向。另一个方向是模型轻量化。Swin-Tiny 在推理时对显存和延迟仍然有压力如果要做嵌入式或实时监测可以把编码器换成更轻的骨干网络再用当前模型做蒸馏把变化检测能力迁移到小模型上。两期变多期也是自然扩展思路把时间维当作 Transformer 的序列维多期影像连续监测违法建设、非法开采这类场景比单对单的检测更符合真实业务节奏。最后讲讲我自己的习惯。从那以后我每次拿到一套新的变化检测源码都会先花半小时把预处理函数、训练和推理路径对齐一遍再做任何调参这个习惯帮我躲掉了绝大多数“玄学”问题。下载这份源码后也建议你先跑通整套流程再考虑上自己的数据集。希望帮到你。本文还有配套的精品资源点击获取