赫晓慧，李代栋，李盼乐，胡绍凯，陈明扬，田智慧，周广胜

（1.郑州大学 地球科学与技术学院，郑州 450001；2.郑州大学 信息工程学院，郑州 450001；3.中国气象科学研究院郑州大学生态气象联合实验室，郑州 450052）

0 概述

随着遥感技术的飞速发展，高分辨率遥感影像为地表地物分析提供了更庞大的信息量。道路信息作为典型的地物要素，在城市规划、数字地图、构建实时地理信息系统等方面具有广泛的应用价值。通过人工方式对遥感影像进行标注，需要耗费大量的人力和物力［1-2］，而传统的道路提取算法通过捕获道路的颜色、纹理和边界等［3-5］信息，再利用阈值或机器学习分类器［6］等进行分类，但该类算法仅在有限的应用场合下发挥积极作用。因此，如何利用大量的高分辨率遥感影像完整且准确地提取道路信息，成为该领域的研究热点。

深度学习（Deep Learning，DL）作为人工智能领域的新兴技术，能够通过其深度多层次的结构来分析和处理数据，在道路提取领域得到了快速发展和广泛应用。文献［7-9］利用深度卷积神经网络（Convolutional Netural Network，CNN）［10］对马萨 诸塞州道路和建筑物的标注和分割进行了大量研究。相比传统CNN，全卷积网络（Fully Convolutional Network，FCN）［11］将全连接层替换为卷积层，通过仅一次正向传播就能完成整个图像的语义分割，从而大幅提高了效率。ZHONG 等［12］将FCN 应用于道路提取任务中，并在结构化输出中探索道路提取的二维空间相关性。如U-Net［13］和SegNet［14］的编码器-解码器（Encoder-Decoder）网络通过连接不同级别的特征图，解决FCN 在分割细节方面表现不佳的问题，且具有易改造性强、训练速度快、提取精度高等优点。……