余果,李大成,杨毅.结合空洞卷积与注意力机制的道路提取方法[J].中国空间科学技术（中英文）,2024,44(5):175-185.
YU G,LI D C,YANG Y.Road extraction model based on atrous convolution and parallel attention mechanism[J].Chinese Space Science and Technology,2024,44(5):175-185(in Chinese).
一、文章导读
1.研究背景
遥感技术的进步带来了更高分辨率的卫星影像，通过在高分辨率影像上提取、获得道路相关信息，能够为交通布设、电子导航、城市规划和智慧城市建设等等方面提供支撑。随着影像的分辨率提升，以及人们对实时更新的道路信息的需求，现有的道路提取算法面对高清卫星影像包含的复杂道路信息，特别是狭窄道路和被建筑、阴影等遮挡的道路，没有很好的提取效果。目前针对道路提取，学者们研究出了很多方法，可以分为基于特征、基于对象和深度学习三类。
现在采用最多、效果最好的是通过深度学习方法来做道路提取，但在面对日益更新的高分辨率影像时，目前的方法很难做到高效率自动化的同时兼顾复杂道路信息的精确提取。本文基于经典模型LinkNet，提出一种结合空洞卷积模块和并行注意力机制的聚合型改进模型，空洞卷积在下采样过程不降低分辨率并获得更大范围信息，契合在卫星影像中占像素不多、但空间范围广阔的道路目标。通道注意力机制在特征图通道维度上动态分配权重，增强与细小道路和遮挡道路相关的特征通道，抑制无关冗余的通道。空间注意力机制选择性地关注重要的区域，增强模型定位能力，检测细小或被部分遮挡的道路时聚焦于局部显著特征，避免干扰。并行两种模块提升了模型对特定目标的识别能力，可提取出精度更高、细节部分更完善的道路。
2.文章梗概
针对高分辨率影像中道路情况复杂，存在细小道路和被建筑、阴影等隔断道路，导致道路提取精度不高的问题，提出一种结合空洞卷积单元和并行注意力机制模块的改进模型AP-LinkNet。该模型是通过在下采样编码过程中扩大感受野和深层次关注道路特征以达到更高的细节道路提取精度。其中空洞卷积模块在扩大感受野的同时不改变空间上像素之间的关系，并行注意力机制提高输入影像采样过程中对通道和空间信息的关注度，并加权赋值给解码步骤的反卷积特征。结合两种机制的特点，减少复杂道路背景的噪声扰乱性以及提高道路提取模型的整体精度。与DeepLabV3+、U-Net、LinkNet和D-LinkNet模型做对比分析，AP-LinkNet模型在DeepGlobe数据集上道路提取的F1分数和IOU评价指标为80.69%和78.65%，其中F1分数分别高出对比模型11.71%、5.24%、3.97%和3.58%。结果表明模型精确度和鲁棒性更高，对于高分影像狭窄、被遮挡等复杂道路细节提取效果好。
3.总结与展望
针对遥感影像道路提取方法存在的提取精度不高以及由于道路情况复杂而对狭窄或被隔断等细节道路检测不足的问题，提出一种基于LinkNet、嵌入空洞卷积和并行注意力机制的AP-LinkNet模型。在同一公共数据集上测试后，与DeepLabv3、U-Net、LinkNet以及D-LinkNet经典模型对比分析，得出结论：本文模型AP-LinkNet是一个在遥感影像上做道路提取的精度较高的结合型模型，在DeepGlobe测试数据集上的F1分数和IOU分别为80.69%和78.65%，评价指标均高于对比模型，即该方法在提取道路信息上效果突出。与基准LinkNet网络相比，空洞卷积模块在采样过程中保留了图像分辨率和道路范围特征，结合混合损失函数提升了稳定性，利用并行通道注意力和空间注意力机制加强了目标道路区域细节信息和空间位置关系信息的表达，最终提取出更多的细节道路并加强道路提取的连贯性。综上，本文模型在结合并学习了多元道路特征信息后，提高了对高分影像整体道路以及狭窄、被遮挡等复杂道路的提取精度，后续将在运行效率和迁移样本上做更多研究。
二、作者简介
余果，太原理工大学矿业工程学院硕士研究生，研究方向为遥感定量反演和信息处理。
李大成，太原理工大学矿业工程学院副教授，研究方向为遥感定量反演和信息处理。
点击文末“阅读原文”
登录官网下载原文
来源：《中国空间科学技术（中英文）》2024年第5期
编辑：陈飚
监制：祁首冰
往期推荐
1
2
3
4
5
