李梓瑜， 王大东， 于晓鹏

（吉林师范大学数学与计算机学院， 吉林 四平 136000）

0 引 言

道路是城市规划、地理信息系统更新和交通导航等许重要领域的主干和基础设施。 近年来，随着卫星观测技术的飞速发展，使得高分辨率遥感图像的道路提取问题成为人们关注的焦点。 然而，通过传统人工标注提取信息的方式来分割道路，不仅费时费力，且只能提取到图像表层信息，所得的分割结果也存在较大误差［1］。 因此，针对遥感道路提取的自动化处理方法就显得尤为重要。

利用高分辨率遥感图像进行道路分割一直是遥感领域研究的重难点，遥感图像从空中俯拍包含的物体繁多，同类物体的颜色、纹理、大小极其相似，且植被、建筑等影响因素的遮挡给分割任务带来巨大的难度［2］。 2015 年，Long 等人［3］提出了图像分割领域具有开创性意义的全卷积网络 （ Fully Convolutional Network，FCN），该方法利用反卷积替换了卷积神经网络（Convolutional Neural Networks，CNN）中的全连接，实现了端到端的网络训练。 这种基于像素的方法相较于CNN 和传统人工提取虽更为高效，但对图像信息保留不够完整。 同年，Ronneberger 等人［4］提出的U-Net 网络实现了多尺度信息的融合，因其性能优越且训练速度较快，目前广泛应用于图像分割领域。 随着深度学习技术在计算机视觉领域的发展进步，众多学者经多年研究对深度学习方法做出改进，旨在提高遥感图像道路提取的精确度。 2016 年，He 等人［5］提出残差网络（ResNet）对更深层次信息进行提取，在增加网络深度的同时，提高网络训练结果的精确度。……