SCANet：用于建筑足迹提取的分裂坐标注意力网络
计算机视觉与模式识别
2025-07-29 v1
摘要
建筑足迹提取在遥感图像分析中具有重要意义，并在城市规划、土地利用、环境保护和灾害评估中具有巨大价值。尽管传统方法和深度学习方法在该领域取得了进展，但它们仍然面临重大挑战。本文介绍了一种新颖的即插即用注意力模块——分裂坐标注意力（SCA），它通过使用两个空间范围的池化核巧妙地捕获空间远程交互，沿 x 和 y 平面策略性地编码每个通道，并分别对每个特征组执行一系列分裂操作，从而实现更高效的语义特征提取。通过将其插入 2D CNN 形成有效的 SCANet，我们的 SCANet 在公共武汉大学（WHU）建筑数据集和马萨诸塞州建筑数据集上的各项指标均优于近期最先进的方法。特别是，SCANet 在两个数据集上分别达到了最佳 IoU，即 91.61% 和 75.49%。我们的代码可在 https://github.com/AiEson/SCANet 获取。
引用
@article{arxiv.2507.20809,
title = {SCANet: Split Coordinate Attention Network for Building Footprint Extraction},
author = {Chunshi Wang and Bin Zhao and Shuxue Ding},
journal= {arXiv preprint arXiv:2507.20809},
year = {2025}
}
备注
Accepted by ICONIP'24