-
题名基于道路拓扑关联特征的城乡道路面精细提取网络
被引量：1
- 1
-
-
作者
王艳军
唐徐超
王成
蔡恒藩
-
机构
湖南科技大学地球科学与空间信息工程学院
湖南科技大学地理空间信息技术国家地方联合工程实验室
中国科学院空天信息创新研究院
-
出处
《测绘学报》
北大核心
2025年第1期75-89,共15页
-
基金
国家自然科学基金(41971423)。
-
文摘
深度学习方法已成为基于遥感影像数据的城乡道路网分类提取的主流技术。然而,现有方法存在邻近地物(如植被和建筑物等)混杂遮挡、模型训练时间长、计算复杂度高等问题,并且大多仅关注道路面、边缘线和中心线等独立目标,导致道路分类提取结果精度不高。为了充分利用道路边缘与道路面之间的空间拓扑关系约束特征,本文提出了一种基于道路拓扑关联特征信息的道路面提取网络,记作CAS-DeepNet。首先,基于DeepLabV3+网络架构,改进轻量级MobileNetV2特征提取网络,嵌入基于残差连接的边缘增强模块以捕获道路边缘信息;其次,设计基于密集连接的CS-ASPP结构以提高模型性能;然后,引入通道注意力机制,有效地融合图像中的多分支通道,以提高特征表征能力;最后,通过道路边缘拓扑关联信息构建道路连通性约束,以提升道路网提取结果完整性。在CHN6-CUG和DeepGlobe等数据集进行试验,结果表明,本文设计的CAS-DeepNet与当前流行的U-Net++、DeepLabV3+、D-LinkNet、RoadNet、ACNet和SDUNet等方法相比,在准确率、召回率、F_(1)值和总体精度等评价指标方面更具优势,能够明显提升道路路网提取结果精度与完整性。本文方法可为自然资源调查监测和地理空间环境感知建模提供基础支撑。
-
关键词
道路提取
边缘增强模块
改进DeepLabV3+
cs-aspp
注意力机制
-
Keywords
road extraction
edge enhancement module
improved DeepLabV3+
cs-aspp
attention mechanism
-
分类号
P237
[天文地球—摄影测量与遥感]
-
