用于处理高分辨率遥感图像的传统的基于先验知识的兴趣区域（ROI）检测方法通常使用全局搜索，这在很大程度上导致了计算量过大。 为了解决这个问题，在本研究中，提出了一种基于自适应空间二次采样视觉注意力模型（ASS-VA）的更快，更有效的ROI检测算法。 在ASS-VA模型中，视觉注意力机制用于避免对整个图像进行图像分割和特征检测。 制定了自适应空间二次采样策略以降低ROI检测的计算复杂度。 提取了离散矩变换（DMT）功能，以提供对边缘的更详细描述。 另外，采用区域生长策略来获得更准确的ROI形状信息

针对遥感图像目标密集、尺度不一、存在遮挡等特点,提出一种基于注意力机制的遥感图像分割模型用于目标分割。该模型建立在深度图像分割模型的基础上,提出在高低层特征融合之前采用通道注意力机制对低层特征进行加权处理,增强目标特征并抑制背景特征,提高信息的融合效率。为进一步增强模型对目标特征的响应能力,提出位置注意力机制对解码阶段最后的特征进行处理。最后,将加权融合后的特征图上采样到原图大小并预测像素类别。在两个遥感道路数据集上进行实验并与相关模型进行比较,结果表明所提模型在遥感影像道路提取中性能优异,可应