L'extraction automatique des routes à partir d'images de télédétection offre de vastes perspectives d'application dans les villes intelligentes, les transports intelligents et la conduite autonome. Cependant, les routes extraites automatiquement à partir d'images de télédétection à haute résolution présentent des problèmes de fragmentation et une mauvaise connectivité, rendant l'extraction complète des routes toujours difficile. À cet égard, cet article propose un réseau encodeur-décodeur amélioré SAMSNet (Split-Attention and Multi-Scale Attention Network). Tout d'abord, le Split-Attention Network (ResNeSt-50) est utilisé comme encodeur, extrayant les informations sémantiques inter-canaux pour obtenir une représentation de caractéristiques de haute qualité ; ensuite, des blocs convolutifs dilatés en cascade et parallèles sont introduits pour élargir le champ réceptif tout en améliorant la sensibilité du réseau aux informations contextuelles multi-échelles ; enfin, dans la partie des connexions sautées, un module d'attention multi-échelle de canal MS-CAM est intégré, se concentrant à la fois sur les informations routières globales et locales, aidant le réseau à reconnaître et détecter les routes sous des variations extrêmes d'échelle. Des expériences ont été menées sur les ensembles de données DeepGlobe Road, Massachusetts Road et GRSet, comparant SAMSNet à neuf autres modèles populaires. Les résultats montrent que SAMSNet surpasse les autres modèles selon plusieurs indicateurs d'évaluation, tels que l'IoU et le F1-score, sur les trois ensembles de données publiques, obtenant les meilleurs résultats d'extraction.

image de télédétection;extraction de routes;segmentation sémantique;ResNeSt-50;attention répartie;attention multi-échelle de canal;convolution dilatée