STeInFormer：面向遥感变化检测的时空交互 Transformer 架构

卷积神经网络和注意力机制在遥感变化检测 (RSCD) 中因其卓越的判别能力而取得了显著进展。现有 RSCD 方法通常遵循使用非交互式 Siamese 神经网络进行多时序特征提取，随后使用变化检测头进行特征融合和变化表示。然而，这种范式未充分考虑 RSCD 在时空维度上的特征，导致时空交互性差，阻碍高质量特征提取。为此，本文提出 STeInFormer，一种面向多时序特征提取的时空交互 Transformer 架构，是首个为 RSCD 专门设计的通用 backbone 网络。此外，我们提出了一个无参数的多频率 token 混合器，用于整合提供谱系信息的频域特征。在三个数据集上的实验结果表明，所提方法有效，能够超越最先进的方法，实现最佳的效率-精度权衡。代码已公开于 https://github.com/xwmaxwma/rschange。