Key points are not available for this paper at this time.
Abstract 원격 감지 이미지에서 도로 추출은 차량 내비게이션 및 긴급 보험을 위해 매우 중요합니다. 그러나 원격 감지 이미지에서 추출된 도로 정보는 종종 나무나 건물의 그림자에 의해 도로가 가려져 있기 때문에 불연속적입니다. 또한, 원격 감지 이미지에서 도로의 크기 차이로 인해 소형 도로를 추출하는 것은 여전히 계산적 도전 과제입니다. 이러한 문제를 해결하기 위해 우리는 적응형 글로벌 특징 융합(AGF-Net)에 기반한 도로 추출 방법을 제안합니다. 먼저, 인코더-디코더 구조에서 팽창 컨볼루션 스트립 주의(DCSA) 모듈이 설계되었습니다. 이는 팽창 컨볼루션과 스트립 주의 모듈로 구성되어 있으며, 수직 및 수평 방향에서 관련 특징을 적응적으로 강조합니다. 그런 다음, 스킵 연결에서 여러 개의 글로벌 특징 융합 모듈(GFFM)을 설계하여 디코더에 도로 세부 특징을 보완하고, 다중 스케일 스트립 컨볼루션 모듈(MSCM)을 설계하여 GFFM 모듈을 구현하여 다중 스케일 도로 정보를 얻습니다. 우리는 AGF-Net을 최첨단 방법과 비교하고, 교차 비율(IoU), F1 점수, 정밀도 및 재현율을 포함한 표준 평가 지표를 사용하여 성능을 보고합니다. 우리가 제안한 AGF-Net은 매사추세츠 도로 데이터셋, DeepGlobe 도로 데이터셋, CHN6-CUG 도로 데이터셋 및 BJRoad 데이터셋에서 다른 기존 방법들보다 더 높은 정확도를 달성합니다. 이러한 데이터셋에서 얻은 IoU는 각각 0.679, 0.673, 0.567 및 0.637입니다.
Zhang et al. (화요일,)은 이 문제를 연구했습니다.