基于改進U-Net 網絡的城市道路提取方法研究*

謝天怡 梁曦文 徐 昇

（南京林業大學信息科學技術學院 南京 210037）

1 引言

城市道路作為現代城市運輸系統中不可或缺的角色，作用于城市規劃、車輛導航、防災減災等多個領域。遙感圖像是城市道路信息的主要來源之一，空間分辨率越來越高的遙感圖像為獲取城市道路信息提供了一種快捷且經濟的途徑。基于高分辨率遙感圖像的道路信息提取對優化道路運行管理機制、城市路網應急管理服務等方面有十分重要的意義。遙感圖像的道路信息提取方法可分為傳統方法和深度學習方法［1］。常見的傳統方法有模板匹配方法［2～5］、知識驅動方法［6～8］、面向對象方法［9～10］。而深度學習方法是現代研究中常用的道路提取方法，在國內外專家的探索中，常見的方法有VGG模型、全卷積神經網絡（FCN）［11］、DenseNet 網絡結構［12］、U 型結構的網絡結構（U-Net）［13］等。VGG 模型增加了網絡的深度和減小了卷積核的尺度，驗證了小尺寸的卷積核有著較大的優勢；缺點是耗費更多計算資源，并且使用了更多的參數，導致更多的內存占用（140M）。全卷積神經網絡（FCN）用卷積層替換了全連接層，不但更好地綜合了全圖信息而且提升了分割效率；缺點是訓練比較麻煩，得到的結果不精細，對圖像的細節不夠敏感。DenseNet網絡結構構建了從局部識別到全局感知的道路提取模塊，雖然可以很好地提高無遮擋道路的識別精度，但對于有著復雜背景下的道路區域識別效果較差。U 型結構的網絡結構（U-Net）在生物醫學圖像分割中有很好的表現，數據增強使得只需很少的帶標注數據，訓練時間短，是比較早的使用多尺度特征進行語義分割任務的算法之一；……