심층 신경망이 원격 감지 영상에서 도로 추출 시 겪는 국부 특징 손실과 낮은 추출 정확도 문제를 해결하기 위해 본 논문에서는 SwinUnet 네트워크 기반의 원격 감지 영상 도로 추출을 위한 다중 스케일 컨텍스트 인식 네트워크를 제안한다. 먼저, 인코더에 컨텍스트 집합 모듈을 갖는 분기를 설계하여 컨텍스트 정보 추출을 강화하고 가림으로 인한 의미적 불명확성 문제를 완화하였다. 둘째, 인코더와 디코더 간의 의미 정보 불일치 문제 해결과 모델의 공간 정보 추출 능력 향상을 위해 점프 연결에 공간 특징 추출 모듈을 도입하여 SwinUnet의 인코더 특징 직접 복사 방식을 대체하였다. 마지막으로, 다운샘플링 단계에서 특징 수축 모듈을 설계하여 인코더 내 정보 손실을 줄이고 네트워크의 분할 능력을 강화하였다. 매사추세츠 도로 데이터셋에서의 시험 결과, 본 방법은 F1, IoU, Pr, Re 지표에서 각각 80.91%, 69.40%, 78.03%, 65.20%의 성능을 달성하였다. 주류 방법인 UNet 및 SwinUnet과 비교할 때 IoU가 각각 4.45%와 2.72% 향상되어 제안된 알고리즘이 글로벌 모델링, 컨텍스트 강화, 정보 매칭 최적화를 통해 원격 감지 영상 도로 추출의 정확도와 성능을 효과적으로 향상시켰음을 증명하였다.

원격 감지 영상;도로 추출;의미 분할;SwinUnet