Автоматическое извлечение дорог из изображений дистанционного зондирования имеет широкие перспективы применения в области умных городов, умного транспорта и автоматического вождения. Однако автоматическое извлечение дорог из изображений дистанционного зондирования высокого разрешения сталкивается с проблемами фрагментации и плохой связности, и полное извлечение дорог по-прежнему представляет собой вызов. Для решения этих проблем была предложена улучшенная сеть кодировщик-декодер, названная SAMSNet. Во-первых, в настоящем исследовании мы используем сеть Split-Attention Network (ResNeSt-50) в качестве кодировщика для извлечения семантической информации изображения через кросс-канальные каналы для достижения высококачественного представления признаков. Затем мы вводим параллельные блоки разреженной свертки, которые увеличивают способность сети воспринимать многомасштабную контекстную информацию при расширении охвата восприятия. И наконец, в части прыжкового соединения мы вводим многошкальный модуль внимания каналов (MS-CAM), одновременно обращающий внимание на распределенную глобальную и локальную информацию о дорогах, помогая сети распознавать и обнаруживать дороги при экстремальных масштабных изменениях. В ходе экспериментов на наборе данных DeepGlobe Road, наборе данных Massachusetts Road и наборе данных GRSet результаты показали, что SAMSNet превзошел другие сравнительные модели по многим оценочным показателям, таким как IoU и F1-скор, на трех общедоступных наборах данных, достигнув лучших результатов в извлечении.

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