BIT（Bitemporal Image Transformer）是 2021 年提出的双时态图像 Transformer 变化检测模型，用CNN 提取局部特征 + Transformer 捕捉全局时序依赖，专门用于遥感二值变化检测。
输入：T1 影像 + T2 影像（同一地点、不同时间）
输出：变化图（0 ：未变，1：变化）
一、程序下载
1.官方地址：https://github.com/justchenhao/BIT_CD
2.数据集下载
进入上述网址，下滑到图中位置，点击LEVIR-CD，可跳转到下载页面
将下载的数据集整理成如下结构
"""
Change detection data set with pixel-level binary labels；
├─A
├─B
├─label
└─list
"""
A：T1相的图像，不用划分train\val\test，图片全放在A文件夹里；
B：T2相的图像，同A；
label：标签映射，同A；
list：train.txt、val.txt、test.txt，每个txt里只存放对应的图片名。
二、环境配置
Python 3.6
pytorch 1.6.0
torchvision 0.7.0
einops 0.3.0
三.模型训练
训练程序：main_cd.py
报错：ModuleNotFoundError: No module named 'torchvision.models.utils'
原因：torchvision 版本太高，新版里把 torchvision.models.utils 删掉了
方法：
BIT_CD-master/models/resnet.py
第三行：from torchvision.models.utils import load_state_dict_from_url
修改为：from torch.hub import load_state_dict_from_url
四、模型评估
运行eval_cd.py后会输出acc、miou等指标数值。
五、模型预测
预测程序如下：
"""
程序不够简化，需要修改的地方如下：
第20行预测图像的文件夹路径--img_dir、训练时输入的图像大小--img_size=1024；
第43行--project_name与训练时保持一致、第46行预测结果输出路径--output_folder；
第49行--data_name、第51行--split为预测文件夹名称，第50行--batch_size根据实际情况设置；
第69行--img_dir与第23行一致.
"""
from argparse import ArgumentParser
import utils
import torch
from models.basic_model import CDEvaluator
import os
from torch.utils.data import Dataset, DataLoader
from PIL import Image
import torchvision.transforms as transforms
# 无标签数据集，完全适配你的模型要求
class TestDataset(Dataset):
def __init__(self, img_dir='./test', img_size=1024):
self.imgA_dir = os.path.join(img_dir, 'A')
self.imgB_dir = os.path.join(img_dir, 'B')
self.names = sorted(os.listdir(self.imgA_dir))
self.transform = transforms.Compose([
transforms.Resize((img_size, img_size)),
transforms.ToTensor(),
transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
])
def __len__(self):
return len(self.names)
def __getitem__(self, idx):
name = self.names[idx]
imgA = Image.open(os.path.join(self.imgA_dir, name)).convert('RGB')
imgB = Image.open(os.path.join(self.imgB_dir, name)).convert('RGB')
imgA = self.transform(imgA)
imgB = self.transform(imgB)
return {'A': imgA, 'B': imgB, 'name': name}
def get_args():
parser = ArgumentParser()
parser.add_argument('--project_name', default='test_1024', type=str)
parser.add_argument('--gpu_ids', type=str, default='0', help='gpu ids: e.g. 0 0,1,2, 0,2. use -1 for CPU')
parser.add_argument('--checkpoint_root', default='checkpoints', type=str)
parser.add_argument('--output_folder', default='test_results', type=str)
parser.add_argument('--num_workers', default=0, type=int)
parser.add_argument('--dataset', default='CDDataset', type=str)
parser.add_argument('--data_name', default='test', type=str)
parser.add_argument('--batch_size', default=1, type=int)
parser.add_argument('--split', default="test", type=str)
parser.add_argument('--img_size', default=1024, type=int)
parser.add_argument('--n_class', default=2, type=int)
parser.add_argument('--net_G', default='base_transformer_pos_s4_dd8',
help='base_resnet18 | base_transformer_pos_s4_dd8')
parser.add_argument('--checkpoint_name', default='best_ckpt.pt', type=str)
args = parser.parse_args()
return args
if __name__ == '__main__':
args = get_args()
utils.get_device(args)
device = torch.device("cuda:%s" % args.gpu_ids[0] if torch.cuda.is_available() else "cpu")
args.checkpoint_dir = os.path.join(args.checkpoint_root, args.project_name)
os.makedirs(args.output_folder, exist_ok=True)
# 加载无标签数据
dataset = TestDataset(img_dir='./test', img_size=args.img_size)
data_loader = DataLoader(dataset, batch_size=1, shuffle=False, num_workers=0)
model = CDEvaluator(args)
model.load_checkpoint(args.checkpoint_name)
model.eval()
with torch.no_grad():
for batch in data_loader:
print('process:', batch['name'][0])
score_map = model._forward_pass(batch)
model._save_predictions()写在最后的话：
夏天已经到了，接下来是悠长且无忧无虑的日子。