《Geomatica》：Optimization of Region Segmentation Techniques in Remote Sensing Image Road Extraction Based on Dual Stage Feature Fusion
编辑推荐：
为解决复杂环境下遥感影像(RSI)道路提取精度低的问题，研究人员开展了基于双注意力网络(DANet)的区域分割模型研究。该模型创新性地引入了小目标激活(SOA)模块和模糊细化(FR)模块，通过双阶段特征融合(DSFF)机制动态调整高低层特征融合权重。实验结果表明，该模型在航空影像数据集上总体精度(OA)达98.4±0.5%，平均交并比(mIoU)为82.6±0.7%，显著提升了复杂环境下道路提取的稳定性和准确性，为城市规划和交通管理提供了可靠技术支撑。
随着遥感技术的飞速发展，高分辨率遥感影像(RSI)处理技术在城乡规划、交通管理等领域的应用日益广泛。然而，在复杂地形和多变气候条件下，传统道路提取方法往往难以应对噪声干扰和细节丢失的挑战，导致提取结果精度波动较大。特别是在光照变化和遮挡物影响下，现有方法的精度瓶颈尤为突出，亟需开发能够适应复杂环境的高精度分割技术。
针对这一难题，徐升和张云在《Geomatica》上发表的研究提出了一种创新的解决方案。他们发现经典的双注意力网络(DANet)虽然能有效建模全局上下文依赖关系，但在处理RSI道路提取任务时存在明显不足：其注意力机制对所有区域平等对待，缺乏对像素占比低、特征微弱的小目标的特异性关注，导致这些小目标特征在深层网络中易被淹没。此外，DANet的特征融合方式相对简单，未能针对遮挡和阴影导致的道路边缘模糊问题进行显式优化。
为突破这些限制，研究团队开发了SF-DANet算法，该算法通过三个关键技术革新提升了性能：首先是小目标激活(SOA)模块，采用双自注意力机制（空间注意力和通道注意力）实现小目标区域的精准定位和特征增强；其次是模糊细化(FR)模块，通过特征对齐和注意力加权融合策略，实现高层语义特征与低层细节特征的多阶段渐进式融合；最后是混合损失函数，以0.6:0.3:0.1的比例整合小目标漏检损失、加权交叉熵和边缘损失，平衡类别识别与边界精度。
在实验设计方面，研究采用iSAID作为基准数据集，包含1500张高分辨率航空影像，涵盖15种典型地形场景。通过分层随机划分策略将数据集按7:1:2比例分为训练集、验证集和测试集，并采用随机水平翻转、垂直翻转、旋转及亮度对比度调整等数据增强技术。所有模型均使用Adam优化器，初始学习率为0.0001，采用余弦退火动态调整学习率。
3.1. SF-DANet分割效果分析
比较实验显示，SF-DANet在整体精度(OA)达到98.4±0.5%，显著优于UNet(96.4±0.9%)、DeepLabV3+(98.2±0.6%)和PSPNet(97.2±0.8%)。在平均交并比(mIoU)指标上，SF-DANet达到82.6±0.7%，较对比模型提升显著。单因素方差分析表明组间差异具有统计学意义(p<0.05)。在效率方面，SF-DANet的单帧处理时间仅为1.8±0.08秒，内存占用控制在2.5±0.12GB，展现出优异的计算效率。
3.2. RSI目标分割模型实际效果分析
在具体道路分割任务中，SF-DANet对小目标的识别精度达到95.7%，对树木和车辆的识别率分别为85.2%和85.4%，道路边缘分割精度为84.3%。特别值得关注的是，其对建筑物和阴影的误识率仅分别为3.1%和2.8%，表现出极强的抗干扰能力。在不同光照和气候条件下，SF-DANet的OA保持在94.5%-96.3%之间，mIoU稳定在79.4%-81.7%之间，夜间环境下的分割精度仍达93.7%，展现出卓越的环境适应性。
研究还通过消融实验验证了各模块的贡献：基础DANet的OA为94.7%，加入SOA模块后提升至96.0%，进一步添加FR模块后达到96.5%，最终采用混合损失函数使性能提升至96.9%。这表明各模块通过功能互补，有效平衡了识别精度与分割区域一致性。
与先进方法的对比显示，SF-DANet在小目标识别率(80.4%)、道路边界精度(83.9%)等关键指标上均优于Li等提出的最大期望网络模型。在DeepGlobe和自建数据集上的跨场景测试进一步证明，SF-DANet具有更好的泛化能力，其性能保持率分别达到95.0%和90.1%。
该研究的创新之处在于成功将SOA和FR算法集成到DANet框架中，通过双阶段特征融合机制有效解决了复杂RSI道路提取的精度瓶颈问题。SF-DANet不仅显著提升了小目标识别和边界分割的准确性，还在处理速度、资源消耗和环境适应性方面表现出明显优势。值得注意的是，该模型在道路规划中的运营成本仅为同类模型的70%，能耗降低15%，展现出良好的应用前景。
尽管该研究取得了显著成果，作者也指出训练数据集的规模和多样性相对有限，可能带来过拟合风险。未来工作需要进一步扩展数据集规模和优化算法，以提升模型在更广泛场景下的泛化鲁棒性。这项技术为智能交通系统建设提供了重要技术支撑，对优化城市路网规划、提高交通管理效率具有重要实践价值。
