马 骁，张晓征，范文涛，刘柳杨，单 飞，孙 卓

（1.交通运输部科学研究院 数字交通实验室，北京 100029；2.河南交通发展研究院有限公司，河南 郑州 450006；3.中国科学院 空天信息创新研究院，北京 100094）

0 引言

随着我国公路建设重点向农村公路倾斜[1]，利用高分遥感影像分析农村地区路网分布及规模的需求逐渐增加。多年以来，受路网提取算法性能不足的影响，遥感影像路网提取相关成果在交通运输行业未能获得广泛应用。在此背景下，为进一步提升农村区域路网提取精度，有必要针对契合农村公路分布特点与地理环境的高分遥感影像农村路网提取算法展开研究，以使生成的农村区域路网矢量地图更为准确。

目前遥感影像路网提取技术主要有两大类：一类为传统方法，如多元数据法[2-3]、特定模型法[4-7]、模板匹配法[8-11]等，此类方法在城市范围内能够获得较好的识别效果，但对于农村公路的识别精度不够高，究其原因是其无法较好地适应农村地区复杂多变的地形地貌及不规则的道路走向；另一类是近年蓬勃发展的深度神经网络（Deep Neural Network,DNN），其中卷积神经网络（Convolutional Neural Network,CNN）在路网提取、医学图像分析等图像语义分割领域取得了较好的效果并引起广大学者的关注。Shelhamer 等[12]提出的全卷积网络（Full Convolutional Network,FCN）初步解决了图像语义分割问题，但存在没有充分考虑语义间上下文关系、图像细节丢失等问题。后续有学者基于FCN 陆续提出了U-Net[13],SegNet[14]等网络结构，其中：U-Net在较小的样本量下能取得相对较好的图像分割结果，但增大样本量不能带来显著的性能提升；……