Em imagens ópticas de sensoriamento remoto, as estradas são facilmente afetadas por obstruções, materiais de pavimentação e o ambiente circundante, o que resulta em características borradas. No entanto, mesmo com o aprimoramento da capacidade de percepção de características, os métodos existentes de extração de estradas ainda apresentam muitos erros em regiões com características borradas. Para resolver esse problema, este artigo propõe uma rede de extração de estradas baseada em um modelo de ponto de vista guiado por GCN (RGGVNet). O RGGVNet adota uma estrutura codificador-decodificador e projeta um módulo de orientação de ponto de vista baseado em GCN (GVPG) na conexão entre codificador e decodificador para guiar repetidamente o ponto de vista do modelo, fortalecendo a atenção às regiões com características borradas. O GVPG utiliza o processo de propagação de informação do GCN que possui a característica de média dos pesos das características, tomando o nível de salientância das estradas em diferentes regiões do mapa de características como matriz de Laplace, participando da propagação de informação do GCN para realizar a orientação do ponto de vista do modelo. Ao mesmo tempo, é proposta a estratégia de orientação de ponto de vista densa (DGVS), que utiliza conexões densas para interconectar codificador, GVPG e decodificador, garantindo a orientação eficaz do ponto de vista do modelo enquanto alivia as dificuldades de otimização. Na fase de decodificação, foi projetado um módulo de fusão multirresolução de características (MRFF) para minimizar o deslocamento e a perda de informação na fusão de características e no processo de upsampling em diferentes escalas de características das estradas. Em dois conjuntos públicos de dados de estradas de sensoriamento remoto, o método alcançou IoU de 65,84% e 69,36%, e F1-score de 79,40% e 81,90%, respectivamente. Resultados experimentais quantitativos e qualitativos mostram que o método proposto apresenta desempenho superior a outros métodos principais.

imagens ópticas de sensoriamento remoto;extração de estradas;redes neurais profundas;redes convolucionais gráficas