원격 감지 영상에서 도로를 자동으로 추출하는 것은 스마트 시티, 지능형 교통 및 자율 주행 등 분야에서 광범위한 응용 전망을 가지고 있습니다. 그러나 고해상도 원격 감지 영상에서 자동으로 추출된 도로는 단편화 및 연결성 부족 등의 문제를 가지고 있어 완전한 도로 추출은 여전히 도전과제입니다. 이를 위해 본 논문에서는 개선된 인코더-디코더 네트워크 SAMSNet(분산 주의 및 다중 스케일 주의 네트워크)를 제안합니다. 먼저, Split-Attention Network(ResNeSt-50)를 인코더로 사용하여 채널 간 의미 정보를 추출해 고품질의 특징 표현을 실현합니다. 둘째, 계단식 병렬 확장 합성곱 블록을 도입하여 수용 영역을 확장함과 동시에 네트워크의 다중 스케일 문맥 정보 인지 능력을 향상시킵니다. 마지막으로 스킵 연결 부분에 다중 스케일 채널 주의 모듈 MS-CAM(Multi-Scale Channel Attention Module)을 도입하여 전역 및 국부 도로 정보를 동시에 주목, 극단적 스케일 변화에서도 도로를 인식하고 검출하는 데 도움을 줍니다. DeepGlobe Road 데이터셋, Massachusetts Road 데이터셋 및 GRSet 데이터셋에서 실험을 수행하였으며, 본 논문에서 제안한 SAMSNet를 다른 9가지 주요 모델과 비교하였습니다. 검증 결과, SAMSNet는 3개의 공개 데이터셋에서 IoU 및 F1-score 등 다양한 평가 지표에서 다른 비교 모델보다 우수한 최적의 추출 결과를 얻었습니다.

원격 감지 영상;도로 추출;의미 분할;ResNeSt-50;분산 주의;다중 스케일 채널 주의;확장 합성곱