A extração automática de estradas a partir de imagens de sensoriamento remoto possui amplas perspectivas de aplicação em cidades inteligentes, transporte inteligente e direção autônoma. No entanto, as estradas extraídas automaticamente de imagens de alta resolução apresentam problemas de fragmentação e baixa conectividade, tornando a extração completa das estradas um desafio. Para isso, este artigo propõe uma rede codificador-decodificador aprimorada SAMSNet (Rede de Atenção Dividida e Atenção Multiescala). Primeiramente, utiliza-se a Split-Attention Network (ResNeSt-50) como codificador para extrair informações semânticas através dos canais, alcançando representações de características de alta qualidade; em seguida, são introduzidos blocos convolucionais dilatados em cascata e paralelos para ampliar o campo receptivo, aumentando a capacidade da rede de perceber informações contextuais em múltiplas escalas; finalmente, na parte das conexões de salto, é introduzido o módulo de atenção de canal multiescala MS-CAM, que foca simultaneamente nas informações globais e locais das estradas, ajudando a rede a reconhecer e detectar estradas sob mudanças extremas de escala. Foram realizados experimentos nos conjuntos de dados DeepGlobe Road, Massachusetts Road e GRSet, comparando o SAMSNet a nove outros modelos principais. Os resultados mostram que o SAMSNet supera outros modelos em vários indicadores de avaliação como IoU e F1-score nos três conjuntos de dados públicos, alcançando os melhores resultados de extração.

imagens de sensoriamento remoto;extração de estradas;segmentação semântica;ResNeSt-50;atenção dividida;atenção multiescala de canal;convolução dilatada