원격 감지 이미지에서 도로를 자동으로 추출하는 것은 스마트 시티, 스마트 교통 및 자율 주행과 같은 분야에서 광범위한 응용 가능성을 갖고 있습니다. 그러나 고해상도 원격 감지 이미지에서 도로를 자동으로 추출하는 것은 파편화, 저 연결성 등의 문제가 있으며, 완전한 도로 추출은 여전히 도전적입니다. 이러한 문제를 해결하기 위해 개선된 인코더-디코더 네트워크 인 SAMSNet을 제안합니다. 먼저, 우리는 세마틱 정보를 추출하기 위해 크로스 채널을 통해 이미지의 세맨틱 정보를 추출하기 위해 분할-주의 네트워크 (ResNeSt-50)를 사용하여 고품질의 특징 표현을 달성합니다. 그런 다음, 우리는 다중 스케일 컨텍스트 정보의 인식 능력을 확장하면서 네트워크를 개선하기위한 확장 홀리콘이 있는 병렬형 팽창형 블록을 도입합니다. 마지막으로, 점프 연결 부분에서는 글로벌 및 지역 도로 정보에 함께 집중하는 다중 스케일 채널 주의 모듈 (MS-CAM)을 도입하여 네트워크가 극단적인 스케일 변경에서 도로를 인식 및 감지하는 데 도움이 됩니다. DeepGlobe Road 데이터 세트, Massachusetts Road 데이터 세트 및 GRSet 데이터 세트에서의 실험에서 결과는 SAMSNet이 IoU 및 F1-score와 같은 여러 평가 지표에서 기타 비교 모델을 능가하였으며, 추출에 최적의 결과를 얻었음을 보여 주었습니다.

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