面向遥感感知系统的细粒度道路结构提取的差分注意力融合网络 D3FNet
计算机视觉与模式识别
2025-08-22 v1
摘要
从高分辨率遥感影像中提取细窄道路 remains a significant challenge due to their limited width, fragmented topology, and frequent occlusions. 为解决这些问题，我们提出 D3FNet（Dilated Dual-Stream Differential Attention Fusion Network），一种用于遥感感知系统中细粒度道路结构分割的扩张双流差分注意力融合网络。基于 D-LinkNet 的编码器-解码器骨架，D3FNet 引入三个关键创新:(1) 差分注意力膨胀提取（DADE）模块，在瓶颈处增强细微道路特征并抑制背景噪声;(2) 双流解码融合机制（DDFM），集成原始特征和注意力调制特征，以平衡空间精度与语义上下文;(3) 多尺度膨胀策略（率为 1、3、5、9），缓解网格化伪影并提高细窄道路预测的连续性。与针对通用道路宽度过拟合的常规模型不同，D3FNet 专注于细粒度、遮挡和低对比度道路段。在 DeepGlobe 和 CHN6-CUG 数据集上的大量实验表明，D3FNet 在具有挑战性的道路区域上实现了优异的 IoU 和召回率，超越了已知的最先进基准。消融研究进一步验证了注意力引导的编码和双路径解码的互补协同作用。这些结果确认 D3FNet 是复杂遥感与合作感知场景中细粒度细窄道路提取的稳健解决方案。
引用
@article{arxiv.2508.15537,
title = {D3FNet: A Differential Attention Fusion Network for Fine-Grained Road Structure Extraction in Remote Perception Systems},
author = {Chang Liu and Yang Xu and Tamas Sziranyi},
journal= {arXiv preprint arXiv:2508.15537},
year = {2025}
}
备注
10 pages, 6 figures, International Conference on Computer Vision, ICCV 2025 (DriveX) paper id 5