RoadNeXt-CSS: ConvNeXt-Adapted Encoder-Decoder Road Extraction for Robust Spatial Information Systems

方法

ConvNeXt编码器、逆频率加权损失、尺度敏感解码器，在两个道路数据集上做消融

发现

在Massachusetts与DeepGlobe上IoU达0.6779和0.6984，显著优于基线，

机会点

可将该道路提取框架迁移至农田道路、田块边界与机耕道识别，支撑农机导航与乡村路网信息化。

背景：遥感影像中的道路提取对地理空间信息系统至关重要，但面临细薄结构、严重类别不平衡以及道路与非道路相似性等挑战。目的：我们提出RoadNeXt-CSS，集成ConvNeXt编码器、逆频率加权（IFW）损失和尺度敏感解码器以应对这些挑战。方法：RoadNeXt-CSS在Massachusetts Roads和DeepGlobe基准数据集上进行训练和评估，以交并比（IoU）作为主要指标。ConvNeXt提取丰富的空间—语义特征，IFW缓解前景—背景不平衡，尺度敏感解码器自适应地加权多层级特征。开展了逐组件消融实验以分离每个所提组件的贡献，并应用配对t检验评估相对于基线模型的统计显著性。结果：RoadNeXt-CSS在Massachusetts Roads和DeepGlobe上分别达到0.6779和0.6984的IoU，优于RCFSNet及其他基线（p < 0.001）。消融分析证实，ConvNeXt编码器、IFW损失和尺度敏感解码器各自独立地对性能提升作出贡献。结论：三个组件共同提供了稳健且具有统计显著性的道路提取改进，可支持交通规划、灾害响应和导航系统。