Автоматическое извлечение дорог из дистанционных сенсорных изображений имеет широкие перспективы применения в умных городах, интеллектуальном транспорте и автономном вождении. Однако автматически извлечённые дороги из высокоразрешающих изображений часто фрагментированы и имеют плохую связность, что делает задачу полного извлечения дорог сложной. В связи с этим в статье предложена улучшенная сеть кодировщик-декодировщик SAMSNet (Сеть раздельного и многомасштабного внимания). Во-первых, в качестве кодировщика используется Split-Attention Network (ResNeSt-50) для извлечения семантической информации через каналы и обеспечения высококачественных признаков; во-вторых, вводятся каскадные параллельные блоки дилатированных свёрток, которые расширяют рецептивное поле и увеличивают восприимчивость сети к контекстной информации разных масштабов; наконец, в части пропуска добавлен модуль многомасштабного канального внимания MS-CAM, который одновременно учитывает глобальную и локальную информацию о дорогах, помогая сети распознавать и обнаруживать дороги при экстремальных масштабных изменениях. Проведены эксперименты на наборах данных DeepGlobe Road, Massachusetts Road и GRSet с сравнением SAMSNet с девятью ведущими моделями. Результаты показывают, что SAMSNet превосходит другие модели по многим метрикам оценки, таким как IoU и F1-score на трёх публичных наборах данных, достигая наилучших результатов извлечения.

дистанционное зондирование;извлечение дорог;семантическая сегментация;ResNeSt-50;раздельное внимание;многомасштабное канальное внимание;дилатированные свёртки