汪 云

（汕头职业技术学院计算机系，广东 汕头 515000）

0 引言

卫星图像中提取道路提取是许多应用的必要步骤，如车辆导航[1]、城市规划[2]、智能交通[1]、图像注册[3]、地理信息系统更新[4]、土地利用检测[5]等。由于高分辨率图像中道路周围的环境比较复杂，各类侧重点算法不断涌现。这些方法大多可以分为三类：生成道路像素级标记[6，7]、检测道路骨架[8，9]以及两者的结合[10，11]。

从遥感图像中提取道路可以分为两个层次：道路区域分割和道路网络提取。道路区域分割是将图像中的每个像素分为道路和非道路，而道路网络提取是获取道路中心线及其连通性。在本文中，我们将道路提取任务作为二进制语义分割任务来处理，以生成道路的像素级标记，重点解决道路区域分割层次。近年来，深度学习技术在计算机视觉方面取得了很大进展，其中许多已经被引入到遥感图像的道路区域分割中。宋青松等[12]将全卷积网络引入道路区域分割，实现了密集的端到端推理。但是FCN简单的线性插值上采样使得模型性能很差。从FCN演化而来的Unet具有对称的编解码结构，解码器采用参数可学习的反卷积，使得语义分割更加准确。褚晶辉等人[13]提出了一种改进的用于道路区域分割的Unet网络，该网络使用ResNet作为其编码器来实现更高的性能。虽然Unet分割算法在道路遥感图像上进行了多次下采样使得图像特征大量减少，以及该网络没有考虑到图像感受野从而对于小目标提取存在缺陷。……