Angesichts zweier Herausforderungen bei der Straßensegmentierung – multiskalige und multidirektionale Eigenschaften der Straßen sowie der leichte Verlust von Detailinformationen – wird ein Straßensegmentierungsnetzwerk für Fernerkundungsbilder vorgeschlagen, das auf detailadaptiver Verstärkung und flacher Merkmalsführung basiert. Zunächst wird unter Einsatz von Streifenfaltung, Aufmerksamkeitsmechanismus und flacher Merkmalsführungsstrategie ein flach geführtes Aufmerksamkeitsmodul vorgeschlagen, um die Fähigkeit des Netzwerks zur Rekonstruktion räumlicher Detailinformationen zu verbessern; dann wird basierend auf Gabor-Faltung, lokalem Pooling und globalem Richtungspooling ein multiskaliges, multidirektionales Merkmalsfusionmodul entwickelt, das die Darstellungskapazität des Netzwerks für Straßenmerkmale unterschiedlicher Skalen und Richtungen steigert; schließlich wird auf Basis von Gauß-Filterung, Differenzierung, Schlangenkonvolution und Standardfaltung ein detailadaptives Verstärkungsmodul entwickelt, das eine adaptive Verstärkung von Detailinformationen ermöglicht. Das vorgeschlagene Netzwerk erreichte F1- und IoU-Werte von 74,62%, 62,38% und 77,86%, 65,17% auf den zwei gebräuchlichen öffentlichen Datensätzen CHN6-CUG und Massachusetts und erzielte im Vergleich zu acht Referenzmethoden die höchsten F1- und IoU-Werte, wobei die F1- und IoU-Werte jeweils um mindestens 1,41%, 1,32% beziehungsweise 1,04%, 0,88% erhöht wurden. Im Vergleich zu anderen fortschrittlichen Methoden zeigt unser Modell eine bessere Leistung bei der Straßensegmentierungsaufgabe, wobei bei hoher Extraktionsgenauigkeit eine geringere Anzahl von Parametern beibehalten wird, was ein gutes Gleichgewicht zwischen Leistung und Effizienz zeigt.

Fernerkundungsbilder; Straßensegmentierung; multiskalig; Aufmerksamkeit; multidirektionale Faltung