[人工智能]遥感影像道路提取:Improved Road Connectivity by Joint Learning of Orientation and Segmentation

一、道路提取难点

基于遥感影像提取道路有以下难点:

• 云和树的遮挡
• 地形、天气、地理环境导致的图片差异
• 与道路纹理类似的其他类别(如停车场、屋顶)

同时数据集的不足和遥感图像中的噪声导致很难提取到高精度的道路图。

目前道路提取的基本方法是使用使用语义分割，然后使用后处理的方法来优化语义分割的精度。但是单纯的基于像素的语义分割很难学习到道路的联通性，通过损失函数的设计或者后处理很难得到具有高精度拓扑性的预测结果。

二、本文贡献

• 设计了一个方向学习任务，证明了方向和分割的联合学习可以提高道路网路的联通性。
• 提出了联通性优化的方法来对分割结果进行优化
• 设计了一个堆叠式的多分支模块。

三、方法

3.1、方向学习

3.2、连接优化

方向监督可以提高预测道路的联通性，但是在复杂和稠密的拓扑结构(桥、公园)在方向预测中会失效。

3.3、堆叠式多分支模块