La extracción automática de carreteras a partir de imágenes de teledetección tiene amplias perspectivas de aplicación en áreas como ciudades inteligentes, transporte inteligente y conducción automática. Sin embargo, la extracción automática de carreteras a partir de imágenes de teledetección de alta resolución tiene problemas de fragmentación, mala conectividad, y la extracción completa de carreteras sigue siendo un desafío. Para resolver estos problemas, se propone una red mejorada codificador-decodificador llamada SAMSNet. En primer lugar, usamos la red Split-Attention Network (ResNeSt-50) como codificador para extraer información semántica de la imagen a través de canales cruzados para lograr una representación de características de alta calidad. Luego, introducimos bloques de convolución paralela dilatada que aumentan la capacidad de la red para percibir información contextual de múltiples escalas al expandir el alcance de la percepción. Finalmente, en la parte de conexión salto, introducimos un módulo de atención a los canales de múltiples escalas (MS-CAM) que se enfoca simultáneamente en la información global y local de las carreteras para ayudar a la red a reconocer y detectar carreteras en cambios extremos de escala. Durante los experimentos en los conjuntos de datos DeepGlobe Road, Massachusetts Road y GRSet, los resultados mostraron que SAMSNet superó a otros modelos de comparación en índices de evaluación como IoU y F1-score, en los tres conjuntos de datos públicos, logrando los mejores resultados para la extracción.

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