结合密集注意力和并行上采样的遥感图像道路分割

针对高分辨率遥感图像中道路背景信息复杂且细节信息易丢失导致分割精度低的问题,本文提出一种结合密集注意力和并行上采样的遥感图像道路分割网络.在U型网络编码器-解码器的中间部分设计了密集空洞空间金字塔注意力模块,其中空间注意力分支可扩大有效感受野并获取密集的多尺度空间信息,通道注意力分支有利于提取全局信息并增强通道间的相关性,结合空间和通道注意力建立全局上下文依赖关系,减少背景信息的干扰;在解码器部分提出多路并行上采样模块,将不同尺度的特征图进行通道衰减后上采样恢复到原始图像大小,并行的特征图增强了分割模型结合多层次特征的能力,且更有利于道路细节信息的保持.实验结果表明,本文方法在DeepGlobe数据集上测试的召回率、准确率、精准率和F1-score分别达到0.805、0.994、0.821和0.803,各项指标以及分割效果均优于目前主流的遥感图像道路分割算法.