La extracción automática de carreteras a partir de imágenes de teledetección tiene amplias perspectivas de aplicación en ciudades inteligentes, transporte inteligente y conducción autónoma. Sin embargo, las carreteras extraídas automáticamente de imágenes de teledetección de alta resolución presentan problemas de fragmentación y mala conectividad, por lo que la extracción completa de carreteras sigue siendo un desafío. Para ello, este artículo propone una red codificador-decodificador mejorada SAMSNet (Red de Atención Dividida y Atención Multiescala). Primero, se utiliza Split-Attention Network (ResNeSt-50) como codificador para extraer información semántica a través de canales y lograr representaciones de características de alta calidad; en segundo lugar, se introducen bloques convolucionales dilatados en paralelo en cascada, ampliando el campo receptivo mientras se mejora la capacidad de la red para percibir información contextual multiescala; finalmente, en la parte de conexiones de salto, se incorpora el módulo de atención de canal multiescala MS-CAM, que se centra tanto en la información global como en la local de las carreteras, ayudando a la red a reconocer y detectar carreteras bajo cambios extremos de escala. Se realizaron experimentos en los conjuntos de datos DeepGlobe Road, Massachusetts Road y GRSet, comparando SAMSNet con otros nueve modelos principales. Los resultados muestran que SAMSNet supera a otros modelos en varios indicadores de evaluación, como IoU y F1-score en tres conjuntos de datos públicos, logrando los mejores resultados de extracción.

imágenes de teledetección;extracción de carreteras;segmentación semántica;ResNeSt-50;atención dividida;atención multiescala de canal;convolución dilatada