Die automatische Extraktion von Straßen aus Fernerkundungsbildern bietet breite Anwendungsperspektiven in den Bereichen Smart Cities, intelligenter Verkehr und autonomes Fahren. Allerdings weisen automatisch extrahierte Straßen aus hochauflösenden Fernerkundungsbildern Fragmentierung und schlechte Konnektivität auf, wodurch die vollständige Extraktion von Straßen weiterhin eine Herausforderung darstellt. Zu diesem Zweck schlägt dieser Artikel ein verbessertes Encoder-Decoder-Netzwerk SAMSNet (Split-Attention und Multi-Scale Attention Network) vor. Zunächst wird das Split-Attention Network (ResNeSt-50) als Encoder eingesetzt, um über Kanäle semantische Informationen zu extrahieren und eine hochwertige Merkmalsdarstellung zu erzielen; zweitens werden kaskadierende parallele dilatierte Faltungsblöcke eingeführt, die das rezeptive Feld erweitern und gleichzeitig die Wahrnehmung des Netzwerks für multiskalige Kontextinformationen verbessern; schließlich wird im Bereich der Skip-Verbindungen das Multi-Scale Channel Attention Modul (MS-CAM) eingeführt, das gleichzeitig globale und lokale Straßeninformationen berücksichtigt, um dem Netzwerk zu helfen, Straßen bei extremen Maßstabsänderungen zu erkennen und zu detektieren. Experimente wurden auf den Datensätzen DeepGlobe Road, Massachusetts Road und GRSet durchgeführt und SAMSNet mit neun anderen führenden Modellen verglichen. Die Ergebnisse zeigen, dass SAMSNet bei mehreren Bewertungsmetriken wie IoU und F1-Score auf drei öffentlichen Datensätzen anderen Modellen überlegen ist und die besten Extraktionsergebnisse erzielt.

Fernerkundungsbilder;Straßenerkennung;semantische Segmentierung;ResNeSt-50;Split-Attention;Multi-Scale Channel Attention;dilatierte Faltung