RS DL
论文介绍
题目：Deep Learning-Based Methods for Road Extraction From Remote Sensing Images: A vision, survey, and future directions
期刊：IEEE Geoscience and Remote Sensing Magazine
论文：https://ieeexplore.ieee.org/abstract/document/10826577
总体介绍
数据集
典型数据集
Massachusetts Roads Dataset:
年份：2013年 规模：包含1,171幅航拍图像，每幅图像大小为1,500 × 1,500像素。 数据划分：训练集1,108幅，验证集14幅，测试集49幅。 特点：图像覆盖美国马萨诸塞州，常用于验证模型在大规模图像上的性能。
DeepGlobe Roads Dataset:
年份：2018年 规模：包含来自泰国、印度和印度尼西亚的图像，像素级标注，图像大小为1,024 × 1,024，分辨率为50 cm/像素。 数据划分：训练集6,226幅，验证集243幅，测试集1,101幅。 特点：测试集无标签，研究者通常将训练集进一步划分。
SpaceNet Roads Dataset:
年份：2018年 规模：覆盖拉斯维加斯、巴黎、上海、喀土穆四个地区，包含多种场景，图像大小为200 m × 200 m（650 × 650像素）。 数据划分：训练集占60%，测试集和验证集各占20%。 特点：图像条件一致（如光照、卫星参数等），适合评估模型在多场景下的性能。
CHN6-CUG Roads Dataset:
年份：2021年 规模：从Google Earth获取的图像，覆盖六个城市，每幅图像大小为512 × 512像素，分辨率为50 cm/像素。 数据划分：训练集3,608幅，测试集903幅。 特点：选取城市化程度不同的地区，适合研究多样化的道路特征。
Gansu Mountain Road Dataset:
年份：2021年 规模：采集自中国甘肃南部山区，共255幅图像，每幅图像大小为256 × 256像素。 数据划分：训练集204幅，验证集40幅，测试集11幅。 特点：适用于评估山区复杂地形下的道路提取性能。
方法模型
1. CNN-Based Model
核心特点：卷积神经网络（CNN）以提取影像局部特征为主，擅长捕捉纹理信息。 代表性方法：
Minh和Hinton提出结合受限玻尔兹曼机和有限状态机的方法，用于提升局部空间特征。 Gao提出改进的深度残差CNN（RDRCNN），结合U-Net的对称结构和残差单元。 Wei提出RSRCNN，嵌入几何结构信息以提升提取精度。
局限性：处理复杂背景时易受噪声影响，难以准确提取道路边界。
2. FCNs-Based Model
核心特点：全卷积网络（FCNs）利用上采样恢复输入图像尺寸，适用于语义分割。 代表性方法：
Zhang提出基于多特征的FCN（MFFCN），通过减少冗余计算提升训练效率。 Pan通过OpenStreetMap自动生成道路标签，改进了模型泛化能力。
局限性：网络加深后容易丢失细节，受遮挡和光影影响较大。
核心特点：编码器提取特征，解码器逐步恢复图像信息。 代表性方法：
LinkNet和U-Net是典型结构，被广泛应用。 Zhou提出D-LinkNet，利用膨胀卷积提高道路提取精度。 Gu提出MD-LinkNet，结合多通道特征图提高开放矿区道路的提取效果。
优势：保留细节能力较强，适合处理大规模影像。
4. GAN-Based Model
核心特点：生成对抗网络（GAN）由生成器和判别器组成，用于提升小样本条件下的道路提取性能。
代表性方法： Zhang提出改进的GAN，结合像素级CNN以增强低层特征。 Shi基于SegNet设计生成器，实现端到端道路提取。
局限性：处理大规模影像时容易出现梯度消失和模式崩溃问题。
5. Attention Mechanism-Based Model
核心特点：注意力机制聚焦于关键特征，增强对道路信息的捕获。 代表性方法：
Xu提出GL-Dense-U-Net，融合全局和局部注意力模块。 Li提出CADUNet，利用核心注意力模块增强道路信息传递。 Wan提出DA-RoadNet，利用双注意力机制解决复杂条件下的道路断裂问题。
优势：可有效忽略不相关信息，提高特征提取的精准度。
6. Feature Fusion-Based Methods
核心特点：通过多尺度特征融合，增强对道路背景信息的提取。 代表性方法：
Zhu提出GCB-Net，结合全局上下文感知模块提高模型鲁棒性。 Yan改进D-LinkNet的D-Block结构，引入迭代融合节点提升连通性。
优势：在解码阶段有效结合多级特征信息，提高提取精度。
7. Multitask Learning-Based Methods
核心特点：联合学习道路、边缘和中心线的提取任务，提高模型泛化能力。 代表性方法：
Liu提出RoadNet，采用多级特征提取应对复杂场景。 Shao提出MRENet，使用PSPooling模块集成多尺度特征信息。 Wei引入道路拓扑损失函数，提升道路网络的连通性。
优势：多任务之间的信息共享可提升总体性能。
8. Multiscale-Based Methods
核心特点：通过多尺度特征学习提升细长或被遮挡道路的提取性能。 代表性方法：
Zhang提出GMR-Net，结合全局注意力和多路径膨胀卷积逐步优化细节。 Jie提出MECA-Net，设计长程上下文感知模块捕捉足够的远程信息。
优势：适用于复杂场景中多样化道路特征的提取。
9. Transformer-Based Model
核心特点：Transformer通过自注意力机制捕捉全局和局部信息。 代表性方法：
Yang引入Swin Transformer，用窗口注意力模块增强全局信息捕捉能力。 Luo提出BDTNet，结合双向Transformer模块提取多尺度特征。
局限性：计算复杂度高，对GPU内存要求较大。
10. GCN-Based Model
核心特点：图卷积网络（GCN）构造邻接矩阵，通过节点更新保留空间细节。 代表性方法：
Zhou提出分离式GCN，结合空间和通道全局信息提升道路特征表征。 Cui提出GDCNet，通过多尺度学习增强对遮挡道路的提取能力。
优势：适合处理曲折、细长和被遮挡的道路。
11. Unsupervised Learning Methods
核心特点：通过最小化原始图像与重构图像的差异，实现特征的无监督提取。 代表性方法：
Tao提出URDNN，利用自编码器训练无监督特征提取。 结合监督与无监督方法，提升提取的通用性和准确性。
局限性：性能相比监督学习稍弱，但标注需求更低。
12. Weakly Supervised Learning Methods
核心特点：通过弱监督信息（如标注涂鸦）减少人工标注工作量。 代表性方法：
Zhou提出SOC-RoadNet，通过结构和方向一致性聚合道路特征。 Lian基于多点标注设计级联模型，降低标注成本。
趋势：结合GAN与小样本技术，有望进一步降低标注需求。
讨论
Massachusetts Dataset:
输入尺寸通常为512 × 512，以减少大图像（1,500 × 1,500像素）带来的训练不稳定性。 表现最佳的模型：基于编码器-解码器结构（如ICN-DCRF和GMR-Net）和多尺度方法，因其能有效保留空间细节，并通过后处理方法逐步优化道路细节。
主流模型通常保留了原始图像大小（1,024 × 1,024）作为输入。 表现最佳的模型：改进型D-LinkNet（如NL-LinkNet和RCFSNet），利用预训练ResNet权重加快训练收敛，同时通过多样化注意力机制提升道路连通性和完整性。
挑战和展望
道路特性：道路长度大、边界模糊、不规则，且类型多样（如沥青、土路、砂砾路等）。
干扰因素：建筑遮挡、植被阴影、行人和车辆动态变化对数据采集和分析造成影响。
1. 高分辨率遥感道路数据集
解决遥感分割数据集规模小的问题。 开发高质量标注数据集并研究自动标注模型。
2. Transformer结构
设计适合遥感影像特点的Transformer模型。 强化上下文语义信息捕捉能力。
3. 半监督与无监督学习
探索利用少量标注和大量未标注数据提升模型性能。 优化语义分割精度，降低人工标注需求。
4. 轻量化与高效模型
开发快速、精准的轻量化模型，满足实时提取需求。 在提升效率的同时确保提取精度。
更多图表分析可见原文
公众号欢迎优秀作者投稿！投稿说明请查看：投稿说明
2025-01-11
2024-11-23
2024-11-20
2024-10-27
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
