L'extraction automatique des routes à partir d'images de télédétection a de larges perspectives d'application dans les domaines des villes intelligentes, du transport intelligent et de la conduite automatique, entre autres. Cependant, l'extraction automatique des routes à partir d'images de télédétection à haute résolution rencontre des problèmes de fragmentation, de mauvaise connectivité, et l'extraction complète des routes reste un défi. Pour résoudre ces problèmes, un réseau encodeur-décodeur amélioré a été proposé, appelé SAMSNet. Tout d'abord, nous utilisons le réseau Split-Attention Network (ResNeSt-50) comme encodeur pour extraire les informations sémantiques de l'image à travers des canaux croisés afin d'obtenir une représentation de caractéristiques de haute qualité. Ensuite, nous introduisons des blocs de convolution à trou parallèle pour augmenter la capacité du réseau à percevoir les informations contextuelles multi-échelles tout en élargissant la portée de la perception. Enfin, dans la partie de connexion sautée, nous introduisons un module d'attention à canaux multi-échelles (MS-CAM) focalisant simultanément sur les informations globales et locales des routes pour aider le réseau à reconnaître et à détecter les routes dans des changements extrêmes d'échelle. Lors des expériences sur les ensembles de données DeepGlobe Road, Massachusetts Road et GRSet, les résultats ont montré que SAMSNet surpassait les autres modèles de référence en termes d'indices d'évaluation tels que IoU et F1-score, sur les trois ensembles de données ouverts, et obtenait les meilleurs résultats pour l'extraction.

remote sensing images;road extraction;semantic segmentation;ResNeSt-50;Dispersed Attention;Multi-Scale Channel Attention;dilated convolution