リモートセンシング画像から道路を自動で抽出することは、スマートシティ、スマートトランスポーテーション、自動運転などの分野で幅広い応用可能性を持っています。ただし、高解像度のリモートセンシング画像から道路を自動で抽出することは、断片化、悪い連結性などの問題があり、完全な道路の抽出は依然として課題です。これらの問題を解決するために、SAMSNetと呼ばれる改良されたエンコーダーデコーダーネットワークが提案されています。まず、高品質の特徴表現を実現するために、我々は、セマンティック情報を抽出するために、クロスチャネルを介して画像のセマンティック情報を抽出するために、Split-Attention Network（ResNeSt-50）をエンコーダーとして使用します。次に、ネットワークのコンテキスト情報の認識能力を拡張しながら、多スケールのコンテキスト情報を認識するためのパラレルダイレーションブロックを導入します。最後に、ジャンプ接続の部分では、道路のグローバルおよびローカル情報に同時に焦点を当てる、マルチスケールチャネルアテンションモジュール（MS-CAM）を導入し、ネットワークが極端なスケールの変化で道路を認識および検出するのに役立ちます。DeepGlobe Roadデータセット、Massachusetts Roadデータセット、GRSetデータセットでの実験結果では、SAMSNetがIoUやF1スコアなどの評価指標において他の比較モデルを凌駕し、抽出に最適な結果を達成したことが示されました。

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