吴仁哲，蔡嘉伦，刘国祥，2，李勇，张瑞，2

(1.西南交通大学 地球科学与环境工程，成都 611756；2.西南交通大学 国家铁路高速铁路安全空间信息技术联合工程实验室，成都 611756)

0 引言

道路是极为重要的地理要素，对于经济建设、城市规划有着决策性作用。随着我国大力发展城乡建设，道路的矢量生产工作日益增多。人工矢量化更新效率低下，且随着道路的新增和扩建通常无法获得最新道路矢量数据，因此道路数字信息的自动提取和快速更新一直是相关领域的研究热点[1]。通过遥感影像获取道路网络信息，具有客观高效的优势，也能够为导航、规划等相关领域提供基础数据[2]。近年来随着高分辨率传感器的发展和广泛应用，一方面能够更详细地反映地物的特征信息[3-4]，另一方面因地物细节化、差异性的增大导致影像分类离散化和不规则化，且较中低分辨遥感数据更为显著。如何在更为复杂的数据场景中实现稳定、可靠的图像分割，是限制其应用拓展的主要瓶颈。近年来，深度学习作为一种有效的遥感图像语义分割方法，被看作是突破瓶颈的可行思路，受到国内外学者的广泛关注[5-6]。

高效的图像表示是遥感图像分割任务的核心[7]。因高分卫星图像的道路周边存在大量的自然和人造地物，对于道路信息的提取干扰非常明显[8-9]。基于无监督特征学习的特征编码方法采用小波变换增强道路信息，实现多分辨率显示[10]，基于具有少量人工标注特征的特征编码方法采用SVM提取道路信息，较好提取出道路主干信息[11]，但是这些传统求解方法生成的图像特征都极少，从本质上阻碍了遥感影像特征的提取。……