王文庆，胡若同，贺浩，杨东方,* 马晓华

1. 西安邮电大学 自动化学院，西安 710121 2. 火箭军工程大学 导弹工程学院，西安 710025 3. 火箭军装备部驻南京地区第二军事代表室 南京 210023

遥感图像数据通常包含道路空间分布信息，建筑物和其他人工特征等信息，道路的提取在交通导航、城市规划、农林及飞行器自动驾驶等诸多领域发挥重要作用。人类观测手段的更新和交通建设的日新月异对道路自动提取技术不断提出更高的要求。在此情况下，如何利用海量的数据，快速且完备地提取道路信息以更新地理信息系统，成为该领域的研究热点。

针对遥感图像道路智能提取问题，在深度学习之前，相关研究绝大多数都采用“特征匹配+道路连接”的思路[1-7]。2010年，Mnih等[8]首次提出使用深度人工神经网络从遥感影像中提取道路的方法，这也被认为是遥感图像道路智能提取的开端。随后，Wang等[9]训练了一个深度卷积神经网络，将道路类型分为直线，十字路口和街区，用于地表交通信息的智能提取。Saito[10]，Zhong[11]等将FCN等深度网络对道路和建筑物进行同时提取，进一步丰富了遥感图像智能分割的功能。Wei等[12]基于FCN架构，设计了基于交叉熵损失函数的道路提取网络优化指标。Panboonyuen[13]利用SegNet结构，并使用条件随机场对提取结果进行后处理，提高了道路提取精度。Cheng[14]，Zhang[15]等对道路提取网络结构进行了改进，分别提出了级联Encoder-Decoder网络以及深度残差网络，得到了比典型分割网络U-net更高的精度。除了对网络模型的研究和应用外，还有一些针对网络内部结构和针对目标特征的后处理方法的创新研究。……