DB SwinT：用于光遥感影像道路提取的双分支 Swin Transformer 网络
计算机视觉与模式识别
2026-03-26 v1
摘要
随着光遥感影像空间分辨率的不断提升， accurate 道路提取变得日益重要，适用于城市规划、交通监控和灾害管理等应用。然而，在复杂的城市和农村环境中，道路提取仍具有挑战性，因为道路常被树木、建筑物及其他物体遮挡，导致结构碎片化和提取准确率降低。为此，本文提出一种用于道路提取的双分支 Swin Transformer 网络 (DB SwinT)。该框架结合了 Swin Transformer 的长程依赖建模能力与 U-Net 的多尺度特征融合策略，采用双分支编码器学习互补的局部和全局表征。具体而言，局部分支专注于恢复遮挡区域的细节结构，而全局分支捕获更广泛的语义上下文，以保持道路网络的整体连续性。此外，引入注意力特征融合 (AFF) 模块，来自适应融合两个分支的特征，进一步增强对遮挡道路段的表示。实验结果表明，在 Massachusetts 和 DeepGlobe 数据集上，DB SwinT 分别实现了 79.35% 和 74.84% 的 Intersection over Union (IoU) 分数，证明其在从光遥感影像中提取道路方面的有效性。
关键词
引用
@article{arxiv.2603.24005,
title = {DB SwinT: A Dual-Branch Swin Transformer Network for Road Extraction in Optical Remote Sensing Imagery},
author = {Zongyang He and Xiangli Yang and Xian Gao and Zhiguo Wang},
journal= {arXiv preprint arXiv:2603.24005},
year = {2026}
}