深層神経ネットワークがリモートセンシング画像の道路抽出において局所的特徴の損失や抽出精度の低さに直面している問題に対して、本論文ではSwinUnetネットワークに基づくリモートセンシング画像道路抽出向けの多尺度コンテキスト認識ネットワークを提案する。まず、エンコーダに文脈集約モジュールを持つブランチを設計し、文脈情報の抽出を強化し、遮蔽による意味的曖昧性の問題を緩和した。次に、エンコーダとデコーダ間の意味情報不一致問題を解決し、モデルの空間情報抽出能力を向上させるため、スキップ接続に空間特徴抽出モジュールを導入し、SwinUnetのエンコーダ特徴の直接コピー方式に代えた。最後に、ダウンサンプリング段階で特徴収縮モジュールを設計し、エンコーダ内の情報損失を減らしネットワークのセグメンテーション能力を強化した。マサチューセッツ道路データセットでのテスト結果から、本方法はF1、IoU、Pr、Re指標でそれぞれ80.91％、69.40％、78.03％、65.20％を達成した。主流手法のUNetおよびSwinUnetと比較して、IoUはそれぞれ4.45％、2.72％向上し、提案アルゴリズムがグローバルモデリング、コンテキスト強化、情報マッチング最適化を通じてリモートセンシング画像の道路抽出の精度と性能を効果的に向上させたことを示している。

リモートセンシング画像;道路抽出;セマンティックセグメンテーション;SwinUnet