基于聚焦Transformer与掩码图像建模的遥感影像道路提取方法RoadFocusNet研究

来自国内的研究人员针对高分辨率遥感影像道路提取精度不足的问题，开发了RoadFocusNet模型。该研究创新性地融合聚焦Transformer架构(Focused Transformer)与掩码图像建模技术(Focused Masked Image Modeling)，显著提升了复杂场景下的道路拓扑结构识别能力，为智能交通规划与灾害应急响应提供了新的技术支撑。

　　

这项突破性研究提出RoadFocusNet框架，巧妙地将聚焦机制(Focusing Mechanism)嵌入Transformer网络，使其能像人眼般动态关注遥感图像中的道路特征。通过创新的聚焦掩码图像建模(Focused MIM)策略，模型在预训练阶段就能学习道路网络的本质表征。实验表明，该技术在IoU(Intersection over Union)指标上超越传统U-Net模型达12.3%，尤其在交叉路口和立交桥等复杂场景展现显著优势。研究团队开发的动态感受野调整模块(DRF-Adapter)可自适应处理不同分辨率的卫星影像，这项技术为智慧城市建设和自动驾驶高精地图更新提供了新的解决方案。