孙 卓,李冬伟,赵泽宾,张倩倩

(中国矿业大学(北京) 机电与信息工程学院,北京 100083)

随着我国遥感卫星的更新换代,国内高分辨率遥感卫星影像星下点分辨率已经达到亚米级别,能够识别更为精准的路况信息.但是目前地理信息库中的道路更新问题大多数仍然采用费时费力的人工更新方式,而利用遥感影像数据实现道路识别的结果越来越精确,有逐渐代替人工更新的趋势[1,2].

目前对遥感影像道路提取多采用传统方式,如模

板匹配法[3-6],特定模型法[7-10],多源数据法[11,12]等.这些方法对低级别道路的提取效果很难达到生产的要求.在各类遥感影像道路提取方法中,基于深度学习领域的高分辨率遥感卫星道路提取方法能够应对各种复杂的遥感影像成像情况,具有十分广阔的发展前景.近年来,基于深度学习的图像分割邻域不断涌现出优秀的算法结构,Long 等[13]提出使用全卷积神经网络解决图像语义分割问题,U-Net[14]网络用于解决小样本简单图像的分割问题,Seg Net[15]网络解决多次池化造成位置信息丢失的问题,Deep Lab[16,17]系列网络通过组合各网络优化点有效提高语义分割精确度等,为神经网络在高分辨率遥感卫星道路提取方面的应用打下基础.

在遥感卫星影像道路的提取上,国内外研究人员对基于深度学习的图像语义分割算法已经有了深入研究,Mnih 和Hinton[18]提出了一种采用受限玻尔兹曼机从高分辨率航拍图像中探测道路区域的方法.为了获得更好……