リモートセンシング画像からの道路自動抽出は、スマートシティ、スマートトラフィック、自動運転などの分野で幅広い応用展望があります。しかし、高解像度リモートセンシング画像から自動的に抽出された道路は断片化や接続性の問題があり、完全な道路の抽出は依然として課題です。これに対し、本論文では改良型エンコーダ・デコーダネットワークSAMSNet（Split-Attentionおよびマルチスケールアテンションネットワーク）を提案します。まず、Split-Attention Network（ResNeSt-50）をエンコーダとして採用し、チャネル間で画像のセマンティック情報を抽出し高品質な特徴表現を実現します。次に、カスケード並列の空洞畳み込みブロックを導入し、受容野を拡大すると同時にネットワークのマルチスケール文脈情報の認識能力を向上させます。最後に、スキップ接続部分にマルチスケールチャネルアテンションモジュールMS-CAM（Multi-Scale Channel Attention Module）を導入し、グローバルおよびローカルの道路情報に注目して、極端なスケール変化下の道路の識別と検出を支援します。DeepGlobe Roadデータセット、Massachusetts Roadデータセット、GRSetデータセット上で実験を行い、本論文のSAMSNetを他の9つの主流モデルと比較しました。検証結果は、SAMSNetが3つの公開データセットでのIoUやF1スコアなどの複数の評価指標において他の比較モデルを上回り、最適な抽出結果を得たことを示しています。

リモートセンシング画像;道路抽出;セマンティックセグメンテーション;ResNeSt-50;分散注意;マルチスケールチャネル注意;空洞畳み込み