集成注意力机制和扩张卷积的道路提取模型

王勇，曾祥强

1.中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室，北京 100101；2.中国科学院大学资源与环境学院，北京 100049

0 引 言

道路作为一种基础性设施，在数字城市建设、公共交通运输和无人汽车驾驶等领域扮演着重要角色(Zhang等，2018)。随着遥感数据空间分辨率的不断提高，从高分辨率影像中提取道路成为研究热点(Wei等，2017)。然而，基于人工的道路矢量化方法不仅提取周期长(Mttyus等，2015)，而且容易受到人的主观因素影响(Wang等，2015)。因此，亟需一种快速、自动化的遥感影像道路信息提取方法(Guo等，2020)。学者们在利用遥感影像进行道路提取方面做了大量研究，形成了诸多提取精度不一的方法。这些传统方法根据提取任务不同可分为两类。第1类是依赖专家知识、道路几何特征和形状特征，通过模板匹配(template matching)(Zhang等，2011)、知识驱动(knowledge-driven)(Treash和Amaratunga，2000)等算法提取道路骨架(Sujatha和Selvathi，2015)。这类方法存在计算复杂度较高、自动化程度较低等缺点(韩洁 等，2017)。第2类是利用面向对象(object-oriented)的思想，通过图分割(graph-based segmentation)(Alshehhi等，2017)、支持向量机(support vector machine,SVM)(Song和Civco，2004)等方法来检测遥感影像中所有的道路区域，从而获取道路信息。这类方法由于受到建筑物阴影遮挡、道路灰度变化不均匀等问题，导致存在大量道路断裂现象，道路信息提取效果不佳(戴激光 等，2020)。

引起广泛关注的人工智能(artificial intelligence，AI)、深度学习(deep learning，DL)道路提取方法逐渐成为一种快速、自动化的解决方案(Shao等，2021)。通过构建深度卷积神经网络(deep convolutional neural network，DCNN)的DL方法(Simonyan和Zisserman，2015；Shelhamer等，2017；Zhang等，2020)自主地对遥感影像进行编码，克服了传统方法(如模板匹配、知识驱动和面向对象等方法)中手动选取道路特征信息的缺点。……