Abstract

The information-accurate road network database is greatly significant and provides essential input to many transportation-related activities. Recently, remote sensing images have been an important data source for assisting rapid road network updating tasks. However, due to the diverse challenging scenarios of roads in remote sensing images, such as occlusions, shadows, material diversities, and topology variations, it is still difficult to realize highly accurate extraction of roads. This paper proposes a novel context-augmentation and self-attention capsule feature pyramid network (CS-CapsFPN) to extract roads from remote sensing images. By designing a capsule feature pyramid network architecture, the proposed CS-CapsFPN can extract and fuze different-level and different-scale high-order capsule features to provide a high-resolution and semantically strong feature representation for predicting the road region maps. By integrating the context-augmentation and self-attention modules, the proposed CS-CapsFPN can exploit multi-scale contextual properties at a high-resolution perspective and emphasize channel-wise informative features to further enhance the feature representation robustness. Quantitative evaluations on two test datasets show that the proposed CS-CapsFPN achieves a competitive performance with a precision, recall, intersection-over-union, and F_score of 0.9470, 0.9407, 0.8957, and 0.9438, respectively. Comparative studies also confirm the feasibility and superiority of the proposed CS-CapsFPN in road extraction tasks.

摘要

信息准确的道路网络数据库非常重要，为许多与交通相关的活动提供必要的输入。近年来，遥感图像已成为辅助快速路网更新任务的重要数据源。然而，由于遥感图像中道路的各种挑战场景，如遮挡、阴影、材料多样性和拓扑变化，仍然难以实现道路的高精度提取。本文提出了一种新的上下文增强和自注意力胶囊特征金字塔网络（CS-CapsFPN）来从遥感图像中提取道路。通过设计胶囊特征金字塔网络架构，提出的 CS-CapsFPN 可以提取和融合不同级别和不同尺度的高阶胶囊特征，为预测道路区域地图提供高分辨率和语义强的特征表示。通过集成上下文增强和自注意力模块，所提出的 CS-CapsFPN 可以在高分辨率的角度利用多尺度上下文属性，并强调通道方面的信息特征，以进一步增强特征表示的鲁棒性。对两个测试数据集的定量评估表明，所提出的 CS-CapsFPN 在精度、召回率、联合交叉和联合方面取得了有竞争力的表现。提出的 CS-CapsFPN 可以从高分辨率的角度利用多尺度上下文属性，并强调通道方面的信息特征，以进一步增强特征表示的鲁棒性。对两个测试数据集的定量评估表明，所提出的 CS-CapsFPN 在精度、召回率、联合交叉和联合方面取得了有竞争力的表现。提出的 CS-CapsFPN 可以从高分辨率的角度利用多尺度上下文属性，并强调通道方面的信息特征，以进一步增强特征表示的鲁棒性。对两个测试数据集的定量评估表明，所提出的 CS-CapsFPN 在精度、召回率、联合交叉和联合方面取得了有竞争力的表现。F_得分分别为 0.9470、0.9407、0.8957 和 0.9438。比较研究也证实了所提出的 CS-CapsFPN 在道路提取任务中的可行性和优越性。