结合密集注意力和并行上采样的遥感图像道路分割

张 颖，李小霞，2，李永龙，吕念祖，王皓冉，顾书豪，王学渊，2

1(西南科技大学 信息工程学院，四川 绵阳 621010)

2(特殊环境机器人技术四川省重点实验室，四川 绵阳 621010)

3(清华四川能源互联网研究院，成都 610042)

1 引 言

道路信息作为测绘遥感领域中不可分割的一部分，在地图绘制、灾后救助、军事应用等方向具有重要的应用价值[1].由于遥感技术的快速发展，遥感图像的分辨率不断提高，噪声对图像的干扰也随之增加，如何从遥感图像中自动提取出高精度的道路信息已成为近年来研究的热点与难点.目前基于卷积神经网络(Convolutional Neural Network，CNN)的遥感图像分割方法表现尤为突出，相较于传统的半自动提取方法，该方法能有效抑制道路信息提取过程中产生的噪声以及减少道路细节信息的丢失，使得提取效果大幅提升.然而，自动提取遥感图像道路信息主要存在以下难点:1)输入图像分辨率高，数据量大，需要足够大的感受野;2)遥感图像中的道路细长且复杂，占整幅图像比重较少;3)由于地理限制，部分道路被阴影、云、建筑物或树木等物体覆盖，图像色彩对比度低，感兴趣区域的提取难度较大[2];4)道路具有自然连通性，即具有图像的拓扑特点[3].

近年来，针对如何从高分辨率遥感图像中自动提取道路信息的问题，国内外已经提出了多种方法.比较常见的传统遥感图像道路信息提取方法有基于像素[4，5]、基于对象[6，7]、基于知识[8]以及基于机器学习的方法.Das等人[9]提出利用光谱的显著对比特征……