Red de decodificación dual heterogénea para extracción de carreteras en imágenes de teledetección

Área de la Ciencia:

• Visión por computadora
• Detección remota
• Sistemas de información geográfica

Sus antecedentes:

• La extracción precisa de carreteras a partir de datos de teledetección es vital para aplicaciones como la conducción autónoma y la planificación urbana.
• Los métodos existentes se enfrentan a desafíos con variación de escala, oclusión y límites difusos de las carreteras.

Objetivo del estudio:

• Proponer una red novedosa, la red de doble decodificador heterogéneo (HDDNet), para la extracción por carretera robusta.
• Para abordar las limitaciones en la variación de la escala, la oclusión y la definición de límites en la extracción de carreteras por teledetección.

Principales métodos:

• Desarrollado HDDNet con dos decodificadores complementarios: un decodificador principal con dilatación dinámica de agrupación de serpientes (DSGD) para características morfológicas y de escala múltiple, y un decodificador auxiliar con conectividad multidireccional y mejora de límites (MCBE) para conectividad y refinamiento de límites.
• Se integró un módulo de fusión de funciones de doble atención (DAFF) para la fusión de funciones interactivas espaciales y de canal entre los dos decodificadores.

Principales resultados:

• HDDNet logró un rendimiento de vanguardia en los conjuntos de datos de DeepGlobe, Ottawa y CHN6-CUG.
• Las puntuaciones de Intersection over Union (IoU) reportadas fueron del 71,36%, 91,85% y 67,27% respectivamente, lo que demuestra mejoras significativas con respecto a los métodos existentes.
• Validación de la robustez y precisión de HDDNet en diversos escenarios de carreteras.

Conclusiones:

• HDDNet aborda eficazmente los desafíos en la extracción de carreteras mediante teledetección.
• Los módulos propuestos de DSGD, MCBE y DAFF contribuyen a mejorar la representación de características y la precisión de la extracción.
• HDDNet ofrece una solución robusta para aplicaciones críticas que se basan en mapas de carreteras precisos.