SAMSNet： A Remote Sensing Road Extraction Network Integrating Decentralized Attention and Multi-scale Channel Attention
摘要
تتمتع استخراج الطرق تلقائيًا من صور الاستشعار عن بعد بمستقبل واسع التطبيق في المدن الذكية والنقل الذكي والقيادة الآلية وما إلى ذلك. ومع ذلك ، فإن استخراج الطرق من صور الاستشعار عن بعد ذات الدقة العالية يعاني من مشكلات مثل التشتت وسوء الاتصال ، ولا يزال استخراج الطرق الكاملة يمثل تحديًا. لحل هذه المشاكل ، تم اقتراح شبكة المشفر-فكودة SAMSNet المحسنة. أولاً ، استخدمنا شبكة Split-Attention Network (ResNeSt-50) كمشفر لاستخراج المعلومات الدلالية لصورة من خلال القنوات المتقاطعة لتحقيق تمثيل ميزات عالية الجودة. ثم قمنا بإدخال كتلة تكبير الفجوة المتوازية ، التي تعزز قدرة الشبكة على استشعار المعلومات السياقية متعددة المقاييس في حين توسيع نطاق الإدراك. وأخيرًا ، في جزء الربط القافزة ، قمنا بإدخال وحدة اهتمام قنوات متعددة المقياس (MS-CAM) ، مركزة في الوقت نفسه على معلومات الطرق الموزعة على نطاق واسع والمحلي للمساعدة في تمييز وكشف الطرق تحت تغييرات مقياسية متطرفة. خلال التجارب على مجموعة بيانات DeepGlobe Road ومجموعة بيانات Massachusetts Road ومجموعة بيانات GRSet ، أظهرت نتائج الدراسة أن SAMSNet تفوقت على النماذج المقارنة الأخرى في مؤشرات التقييم المتعددة مثل IoU و F1-score على المجموعة الثلاثة من مجموعات البيانات العامة ، وحققت أفضل نتيجة في الاستخراج.
关键词
remote sensing images;road extraction;semantic segmentation;ResNeSt-50;Dispersed Attention;Multi-Scale Channel Attention;dilated convolution