赫曉慧，李代棟，李盼樂，胡紹凱，陳明揚，田智慧，周廣勝

（1.鄭州大學 地球科學與技術學院，鄭州 450001；2.鄭州大學 信息工程學院，鄭州 450001；3.中國氣象科學研究院鄭州大學生態(tài)氣象聯(lián)合實驗室，鄭州 450052）

0 概述

隨著遙感技術的飛速發(fā)展，高分辨率遙感影像為地表地物分析提供了更龐大的信息量。道路信息作為典型的地物要素，在城市規(guī)劃、數(shù)字地圖、構(gòu)建實時地理信息系統(tǒng)等方面具有廣泛的應用價值。通過人工方式對遙感影像進行標注，需要耗費大量的人力和物力［1-2］，而傳統(tǒng)的道路提取算法通過捕獲道路的顏色、紋理和邊界等［3-5］信息，再利用閾值或機器學習分類器［6］等進行分類，但該類算法僅在有限的應用場合下發(fā)揮積極作用。因此，如何利用大量的高分辨率遙感影像完整且準確地提取道路信息，成為該領域的研究熱點。

深度學習（Deep Learning，DL）作為人工智能領域的新興技術，能夠通過其深度多層次的結(jié)構(gòu)來分析和處理數(shù)據(jù)，在道路提取領域得到了快速發(fā)展和廣泛應用。文獻［7-9］利用深度卷積神經(jīng)網(wǎng)絡（Convolutional Netural Network，CNN）［10］對馬薩 諸塞州道路和建筑物的標注和分割進行了大量研究。相比傳統(tǒng)CNN，全卷積網(wǎng)絡（Fully Convolutional Network，F(xiàn)CN）［11］將全連接層替換為卷積層，通過僅一次正向傳播就能完成整個圖像的語義分割，從而大幅提高了效率。ZHONG 等［12］將FCN 應用于道路提取任務中，并在結(jié)構(gòu)化輸出中探索道路提取的二維空間相關性。如U-Net［13］和SegNet［14］的編碼器-解碼器（Encoder-Decoder）網(wǎng)絡通過連接不同級別的特征圖，解決FCN 在分割細節(jié)方面表現(xiàn)不佳的問題，且具有易改造性強、訓練速度快、提取精度高等優(yōu)點。MOSINSKA 等［15］在U-Net 的基礎上提出深度學習分割框架，并通過預訓練的VGG19［16］來捕獲線性結(jié)構(gòu)的高階拓撲特征，減少出現(xiàn)斷裂或空洞現(xiàn)象。PANBOONYUEN 等［17］利用SegNet 的網(wǎng)絡結(jié)構(gòu)和指數(shù)線性單元（Exponential Linear Unit，ELU）激活單元，通過有效的數(shù)據(jù)擴增，進一步提升道路提取的完整度。QIN 等［18］針對提取邊界質(zhì)量差的問題，構(gòu)建由兩個編碼器-解碼器模型組成的分割框架，分別負責顯著性預測和特征優(yōu)化，能夠用準確且清晰的邊界預測其結(jié)構(gòu)，在局部的細節(jié)分割效果更加優(yōu)異。但遙感影像中各種信息復雜多樣，且道路區(qū)域所占比例較低，通過顯著性預測進行道路提取質(zhì)量較差。盡管已經(jīng)提出許多基于深度學習的道路提取方法，但現(xiàn)有方法大多采用交叉熵作為損失函數(shù)［11-14，17］，往往會錯過精細的道路結(jié)構(gòu)或在其邊界存在大量模棱兩可的預測。

為進一步提高道路提取質(zhì)量，本文設計了基于編碼器-解碼器道路網(wǎng)絡（Encoder-Decoder Road Network，EDRNet）的道路提取方法。采用編碼器-解碼器的網(wǎng)絡結(jié)構(gòu)，結(jié)合殘差網(wǎng)絡和跳躍連接，構(gòu)建EDR1 道路提取模型。為保留道路主體結(jié)構(gòu)以及進一步精細目標邊界，EDR2 模型利用已提取到的道路拓撲特征，增加側(cè)向輸出融合淺層空間信息與深層語義信息。在此基礎上，引入混合損失函數(shù)，對模型進行監(jiān)督訓練，分別提高道路提取的完整度與精確度。

1 EDRNet 模型

本文提出的EDRNet 道路提取模型由EDR1 道路提取模型和EDR2 優(yōu)化模型構(gòu)成，其提取流程如圖1所示。在EDRNet 模型的訓練過程中，先對EDR1 模型進行訓練，訓練完成后對原訓練數(shù)據(jù)和驗證數(shù)據(jù)進行預測。篩選數(shù)據(jù)制作EDR2 模型所需的數(shù)據(jù)集，并利用新數(shù)據(jù)集訓練EDR2 模型。測試圖像則通過EDR1模型預測道路區(qū)域，利用EDR2 模型優(yōu)化道路整體輪廓，得到最終道路提取結(jié)果。

圖1 EDRNet 模型提取流程Fig.1 Extraction procedure of EDRNet model

1.1 EDR1 模型提取

1.1.1 ResNet 編碼器

在編碼器-解碼器的網(wǎng)絡結(jié)構(gòu)中，編碼器對輸入影像進行多階段的卷積和池化操作，從抽象的高維特征圖中捕捉影像的上下文信息；與之相對應的解碼器則利用反卷積進行相同次數(shù)的上采樣，生成相應尺寸的特征圖，對影像中道路目標區(qū)域進行精準定位。編碼器對道路的細節(jié)特征進行提取，但小面積、線形且呈網(wǎng)狀分布的道路結(jié)構(gòu)細節(jié)信息豐富且提取困難。簡單的加深網(wǎng)絡易導致梯度分散或梯度爆炸，深層的網(wǎng)絡權(quán)重參數(shù)過多，在訓練集較小的情況下，訓練過深的特征提取網(wǎng)絡容易過擬合。文獻［19］通過構(gòu)建殘差神經(jīng)網(wǎng)絡（Residual Neural Network，ResNet）解決了退化問題，能夠保護信息的完整性并簡化訓練難度，其性能優(yōu)于VGG 網(wǎng)絡。ResNet 網(wǎng)絡結(jié)構(gòu)如圖2 所示，主要由殘差塊組成。

圖2 ResNet 網(wǎng)絡結(jié)構(gòu)Fig.2 Structure of ResNet network

在圖2（a）中，x為殘差塊輸入，經(jīng)過第一次激活函數(shù)后輸出為F(x)，如式（1）所示：

其中：σ為Relu 非線性函數(shù)；W1與W2分別為各層的權(quán)值。殘差塊將F(x,{Wi})與輸入x相加，得到最終的輸出y，如式（2）所示：

基于以上研究，EDR1 模型采用圖2（b）中的殘差模塊加深網(wǎng)絡，構(gòu)建ResNet-34 殘差網(wǎng)絡編碼器。該編碼器能提取更豐富的道路特征，保留細節(jié)信息并減少網(wǎng)絡訓練時間。

1.1.2 EDR1 模型設計

U-Net 網(wǎng)絡由捕獲上下文的編碼器、對稱的解碼器和跳躍連接組成。其中豐富的跳躍連接允許信息直接從低級到高級特征映射流動，能同時獲取高等級的全局信息和低等級的細節(jié)信息，無需進行替換，進一步提高了定位精確度并加快收斂速度［20］。

EDR1 模型是基于殘差網(wǎng)絡構(gòu)建的特征編碼器，并借鑒U-Net 網(wǎng)絡跳躍連接設計道路提取模型。該模型包含4 個編碼器塊和4 個解碼器塊，將ResNet-34的4 個卷積塊作為其編碼器部分，通過跳躍連接分別與相應的解碼器塊相連。該網(wǎng)絡設計充分利用ResNet-34 的特征提取能力、編碼器-解碼器結(jié)構(gòu)和跳躍連接的優(yōu)勢，不僅能夠獲取更加豐富的道路特征信息，而且更容易訓練，大幅提升了模型的訓練速度。

1.2 EDR2 模型優(yōu)化

道路提取結(jié)果的優(yōu)化與普通提取任務有明顯區(qū)別。首先道路輪廓優(yōu)化與已提取的道路區(qū)域具有明顯的相關性，且需優(yōu)化區(qū)域占比小、背景單一，特征提取難度較低，過于復雜的模型易陷入過擬合。其次為保留道路主體結(jié)構(gòu)，需要充分利用多尺度、多層次的特征，獲取從低層次到高層次的道路結(jié)構(gòu)信息。最后為引導模型學習正確的道路信息、優(yōu)化道路提取結(jié)果，需要對優(yōu)化結(jié)果進行深度監(jiān)控。

因此，為充分利用EDR1 模型的提取結(jié)果，保留已提取到的道路主體結(jié)構(gòu)，同時消除道路邊緣的噪聲干擾，EDR2 模型設計主要是：1）在編碼器部分放棄較EDR1 模型中復雜的Res 模塊，采用原U-Net 網(wǎng)絡的特征編碼器；2）在每個解碼器塊增加側(cè)向輸出，每個解碼器的最后都使用卷積核大小為1×1，窗口滑動步距為1的卷積層，降低特征圖的維度為1；由于不同解碼器塊上降維后的特征圖大小不一致，分別通過反卷積（deconvolutional）的方式，將其恢復至原始影像尺寸；3）不同于EDR1 模型僅利用最后一層預測道路，EDR2 模型對所有解碼塊的采樣特征圖進行融合，經(jīng)過3×3 卷積和1×1 卷積，輸出單通道的優(yōu)化結(jié)果。EDR2 模型結(jié)構(gòu)如圖3 所示。

圖3 EDR2 模型結(jié)構(gòu)Fig.3 Structure of EDR2 model

1.3 損失函數(shù)

道路提取是區(qū)分道路及背景的二分類問題，采用二分類交叉熵損失函數(shù)［21］對深度學習模型進行訓練，如式（3）所示：

其中：n為像素個數(shù)；yi為第i個像素的標簽真實值，該值為0 時代表該像素屬于背景區(qū)域，為1 則代表該像素屬于道路區(qū)域；ai為第i個像素的預測值，其值為0～1，ai值越高則屬于道路的概率越大。由式（3）中L的定義可知，交叉熵損失沒有考慮精細的道路結(jié)構(gòu)，對不同像素的損失分配了相同的權(quán)重，因此交叉熵損失不適合分割小面積、線性結(jié)構(gòu)的道路區(qū)域。

本文提出的EDRNet 道路提取模型中，EDR1模型進行道路提取，EDR2 模型基于EDR1 模型的提取結(jié)果進行優(yōu)化。若EDR1 模型提取結(jié)果召回率較低，則道路結(jié)構(gòu)缺損嚴重。EDR2 模型能夠有效利用道路結(jié)構(gòu)信息的不足，影響優(yōu)化結(jié)果。因此，EDR1 模型得到道路結(jié)構(gòu)較為完整的提取結(jié)果，并通過EDR2 模型保留道路結(jié)構(gòu)并消除噪聲影響。

在對模型改進的基礎上，根據(jù)各模型特點，本文利用Tversky 系數(shù)［22］和Focal損失函數(shù)［23］，構(gòu)建EDR1 損失函數(shù)L1和EDR2 模型損失函數(shù)L2。利用L1損失函數(shù)提升道路提取的完整度，利用L2損失函數(shù)進一步優(yōu)化整體提取結(jié)果。

1.3.1 EDR1 損失函數(shù)L1

Tversky 系數(shù)是Dice 系數(shù)和Jaccard 系數(shù)的一種廣義系數(shù)，其定義如式（4）所示：

其中：A為預測值；B為 真實標簽；α和β為0～1 的系數(shù)。由式（4）可知，設置α=β=0.5 時，Tversky 系數(shù)為Dice 系數(shù)；設置α=β=1 時，為Jaccard 系數(shù)。其中|A?B|代表FP（標簽為負，預測為正），而|B?A|代表FN（標簽為正，預測為負）。因此，在EDR1 模型的訓練過程中，利用Tversky 系數(shù)作為損失函數(shù)，通過調(diào)整α和β值，能夠調(diào)節(jié)提取結(jié)果中精確度與召回率所占權(quán)重。根據(jù)遙感影像道路提取二分類的特點，EDR1損失函數(shù)L1如式（5）所示：

其中：ε為固定值。本文設計了特征提取能力更強的EDR1 模型，并利用L1損失函數(shù)對其進行訓練。通過調(diào)節(jié)L1損失函數(shù)的相關參數(shù)，使模型在訓練過程中能獲取完整的道路結(jié)構(gòu)，得到召回率較高但精確度較低的提取結(jié)果。更完整的道路提取結(jié)果有利于EDR2 模型的優(yōu)化。

1.3.2 EDR2 損失函數(shù)L2

由于EDR2 模型的輸入是EDR1 的預測結(jié)果，其中絕大部分都是背景，而在整張遙感影像中道路所占比例較低，且能優(yōu)化道路輪廓或噪聲信息部分所占比例更低。若利用交叉熵損失函數(shù)訓練EDR2 模型，很難從中學習到有用信息。而Focal 損失函數(shù)利用γ權(quán)重減少了易分類樣本的損失，更關注于錯分的樣本，并通過增加θ權(quán)重來平衡正負樣本比例不均的問題，更適應于道路提取結(jié)果的優(yōu)化。其定義如式（6）所示：

其中：θ為0～1 的系數(shù)；γ為大于0 的權(quán)重系數(shù)。LF損失函數(shù)能逐漸降低背景及主體道路結(jié)構(gòu)的權(quán)重，專注于道路邊緣及離散斑點等需要優(yōu)化的部分，有效提升EDR2 模型的優(yōu)化能力。而通過改變L1損失函數(shù)相關系數(shù)，也能夠增加精確度所占權(quán)重，利于提升EDR2 模型的優(yōu)化能力。因此，設計EDR2 模型的損失函數(shù)L2由L1和LF構(gòu)成，如式（7）所示：

其中：φ和ω的值為0～1 的系數(shù)，能調(diào)節(jié)各損失函數(shù)所占權(quán)重。通過調(diào)節(jié)L1和LF損失函數(shù)所占權(quán)重，在EDR2 模型訓練過程中減少已提取的道路主體結(jié)構(gòu)與背景的損失，專注于優(yōu)化道路提取結(jié)果。

2 實驗分析

為驗證算法對遙感影像道路提取的有效性，使用EDR1 和EDR2 數(shù)據(jù)集對網(wǎng)絡進行訓練、測試與驗證。實驗基于Tensorflow 深度學習框架設計，運行環(huán)境為 CPU Inter Core i7-8700 4.6 GHz，GPU NVIDIA Tesla P100 16 GB。

2.1 實驗數(shù)據(jù)

采用馬薩諸塞州道路數(shù)據(jù)集作為實驗數(shù)據(jù)。該數(shù)據(jù)集為美國馬薩諸塞州的衛(wèi)星影像，共涵蓋1 171 張3 通道影像和對應分割標簽。影像空間分辨率為1 m，尺寸為1 500 像素×1 500 像素。分割標簽為二值化圖像，道路像素值為1，背景像素值為0。在EDRNet 提取方法中共需要2 個數(shù)據(jù)集，分別為EDR1 數(shù)據(jù)集和EDR2 數(shù)據(jù)集，其中EDR1 數(shù)據(jù)集由馬薩諸塞州道路中獲得，EDR2 數(shù)據(jù)集在實驗中通過EDR1 模型得到。

2.1.1 EDR1 數(shù)據(jù)

由于構(gòu)建的EDR1 網(wǎng)絡輸入影像尺寸為128 像素×128 像素，為了避免歸一化帶來的影響，首先將馬薩諸塞州道路每張影像及標簽裁剪成121 張尺寸為128 像素×128 像素的圖像，裁剪后的圖像沒有重疊區(qū)域，并采用多種方法數(shù)據(jù)集進行增強。然后通過人工篩選方式去除數(shù)據(jù)集中不對應的影像和標簽，共獲取12 003 張影像與標簽。最后將道路數(shù)據(jù)集按7∶2∶1 劃分為訓練集、測試集和驗證集。

2.1.2 EDR2 數(shù)據(jù)

利用訓練完成的EDR1 模型對EDR1 數(shù)據(jù)的訓練集和驗證集進行預測，經(jīng)過數(shù)據(jù)篩選，剔除部分提取完整度較差的影像，并將其提取結(jié)果和對應的標簽裁剪為128 像素×128 像素尺寸的圖像，符合要求的訓練集和驗證集及其相對應的標簽制成EDR2 數(shù)據(jù)集。EDR2 部分數(shù)據(jù)如圖4 所示。

圖4 EDR2 部分數(shù)據(jù)Fig.4 EDR2 partial datas

2.1.3 數(shù)據(jù)擴增

深度學習是一種數(shù)據(jù)驅(qū)動技術，充足的數(shù)據(jù)量是訓練深度網(wǎng)絡的基礎，但目前標準的遙感影像道路數(shù)據(jù)還不能滿足需求。在數(shù)據(jù)不足的情況下，通過對影像進行旋轉(zhuǎn)和變換來擴充訓練數(shù)據(jù)容量。本文借鑒文獻［24］中數(shù)據(jù)擴增的方法，在其基礎上增加兩種映射方式。對原始影像及標簽隨機進行旋轉(zhuǎn)或水平、垂直的鏡像映射，將訓練數(shù)據(jù)量擴充為原來的8 倍，基本能滿足EDRNet 網(wǎng)絡訓練的需求。數(shù)據(jù)擴增結(jié)果如圖5 所示。

圖5 數(shù)據(jù)擴增結(jié)果Fig.5 Results of data amplification

2.2 實驗參數(shù)

在模型的訓練過程中，根據(jù)實際情況，設置迭代批量batch_size 為2，動量參數(shù)Momentum 為0.9，配置基礎學習率在前20 000次迭代中為10-6，隨后迭代逐步降為5×10-7。EDR1模型訓練過程中，L1損失函數(shù)相關系數(shù)設置為α=0.7，β=0.3；EDR2 模型訓練時，L2損失函數(shù)中相關系數(shù)分別為α=0.5，β=0.5，γ=2，θ=0.25。

2.3 評價指標

為實現(xiàn)對遙感影像道路提取方法的客觀評價，道路提取結(jié)果采用語義分割常用的評價方法，即精確率（P），召回率（R）和F1-score 等。其定義分別為式（8）～式（10）所示：

其中：TP（true-positive）代表標簽為正，預測也為正；FP（false-positive）代表標簽為負，預測為正；FN（falsenegative）代表標簽為正，預測為負。

2.4 實驗結(jié)果與分析

為驗證本文所提出方法的有效性，選取了特征提取能力較強、道路網(wǎng)結(jié)構(gòu)提取比較完整的模型進行對比實驗。分別將U-Net 模型、文獻［17，19］模型、EDR1 模型和EDR1（L1）模型，在馬薩諸塞州道路數(shù)據(jù)集下進行驗證測試，提取結(jié)果如表1 所示。

表1 不同模型道路提取結(jié)果對比Table 1 Comparison of road extraction results between different models

從表1 可以看出，U-Net 雖然可用于遙感影像道路目標的分割，但測試精確率較差，影響整體的測試結(jié)果，其模型結(jié)構(gòu)設計并不能完全適應復雜的遙感影像道路提取任務。文獻［17］在U-Net 基礎上，利用預訓練的VGG19 來捕獲線性結(jié)構(gòu)的高階拓撲特征，F(xiàn)1-score 提高了約7 個百分點；但在訓練過程中將所有提取結(jié)果未加篩選進行訓練，導致模型保留了部分類似道路區(qū)域的特征，其結(jié)果中存在一些被誤檢測為道路的區(qū)域。文獻［19］中的ELU-SegNet-R采用更先進的網(wǎng)絡結(jié)構(gòu)和激活函數(shù)，召回率、F1-score 分別為84.7%和81.2%，但其直接利用了適合于街景分割的SegNet 基本架構(gòu)，設計損失函數(shù)時沒有考慮道路邊緣噪聲影響，因而限制其提取道路網(wǎng)絡的性能。本文基于U-Net 改進的EDR1 模型，將原編碼部分替換為特征提取能力更強的Res 模塊，提高了對道路目標特征的提取能力，相比原始U-Net的召回率提升了約11 個百分點。利用L1損失函數(shù)進行訓練的EDR1 模型，在此基礎上進一步提升了道路提取的完整度，其召回率值達到了93.1%，絕大多數(shù)的目標道路區(qū)域能夠被提取到。由于側(cè)重提升對道路目標特征信息提取，其精確率與F1-score 指標略低。不同模型提取結(jié)果如圖6 所示。

圖6 不同模型提取結(jié)果Fig.6 Extraction results of different models

從圖6 可以看出，相比U-Net、文獻［17，19］模型，EDR1 模型提取到了更多的道路目標區(qū)域，但仍存在部分道路中斷以及未檢測到的情況，不利于EDR2 模型進行優(yōu)化。相比其他模型，利用L1損失函數(shù)進行訓練的EDR1 模型，道路提取完整程度高，但同時道路邊緣及背景也存在部分噪聲干擾等問題，影響整體的提取效果。

為驗證本文所提EDR2 模型的改進效果，分別選取對特征提取能力強、道路網(wǎng)結(jié)構(gòu)提取完整的模型U-Net、文獻［17，19］模型、EDR1 模型和EDR1（L1）模型，并結(jié)合EDR2 模型進行驗證測試，實驗結(jié)果如表2 所示。

表2 EDR2 模型優(yōu)化結(jié)果Table 2 Optimization results of EDR2 model

從表2 可以看出，利用EDR2 模型對上述方法進行優(yōu)化的結(jié)果中，精確率指標分別提升了1.0、1.6、2.9 和8.6 個百分點，而召回率僅下降了0.8、1.1、1.9和5.9 個百分點，最終在指標F1-score 有所提升。通過調(diào)節(jié)L1損失函數(shù)的相關參數(shù)，EDR1 模型在訓練過程中更關注獲取完整的道路結(jié)構(gòu)，得到一個召回率較高但精確率較低的提取結(jié)果。實驗對比表明，召回率較高的提取結(jié)果經(jīng)過EDR2 模型改進優(yōu)化，最終道路提取結(jié)果能更好地實現(xiàn)召回率和精確率均衡。利用L1損失函數(shù)進行訓練的EDR1 模型，經(jīng)過EDR2 模型優(yōu)化后精確度和F1-score 指標提升效果顯著，但其精確率和召回率相差較大，仍存在一定的優(yōu)化空間。因此，為了使EDR2 模型獲得更充足的道路結(jié)構(gòu)信息，本文設計了特征提取能力更強的EDR1 模型，并利用L1損失函數(shù)對其進行訓練。EDR2（L2）模型的優(yōu)化結(jié)果如表3 所示。

表3 EDR2（L2）模型優(yōu)化結(jié)果Table 3 Optimization results of EDR2（L2）model

從表3 可以看出，利用EDR2 模型+L2損失函數(shù)對上述方法的提取結(jié)果進行優(yōu)化后，召回率降低幅度較低，而精確率得到了有效提升，召回率和精確度之間的差也進一步縮小。在實驗結(jié)果中，EDR1（L1）+EDR2（L2）與其他原始或改進后方法的結(jié)果相比，其精確率、召回率以及F1-score 都取得更加優(yōu)異的表現(xiàn)，尤其是精確率提升方面。各模型優(yōu)化結(jié)果如圖7 所示。從圖7 可以看出，經(jīng)過EDR2 模型+L2損失函數(shù)的優(yōu)化，文獻［17，19］模型的提取結(jié)果，在保留主體道路結(jié)構(gòu)的同時提升了其精確率，能夠消除部分噪聲的影響；但由于上述網(wǎng)絡的特征提取能力較弱，部分道路未被提取到，通過EDR2 模型進行優(yōu)化提升的空間有限，限制其最終提取完整度的表現(xiàn)。EDR2 模型+L2損失函數(shù)對EDR1 模型的優(yōu)化結(jié)果較明顯，但僅通過改進模型結(jié)構(gòu)，仍然有部分道路未被有效提取，影響了整體的優(yōu)化效果。而本文方法通過優(yōu)化EDR1 模型+L1損失函數(shù)的道路提取結(jié)果，能夠較完整保留道路主體結(jié)構(gòu)，同時消除大部分毛刺或離散斑點的噪聲干擾。最終提取結(jié)果與標簽圖像達到更高的相似度，整體道路提取結(jié)果更優(yōu)異。

圖7 不同模型優(yōu)化結(jié)果Fig.7 Optimization results of different models

3 結(jié)束語

本文提出基于EDRNet 模型的遙感影像道路提取方法。EDR1 模型通過替換性能更優(yōu)異的殘差模塊，提取完整的目標道路區(qū)域。在特征解碼階段，EDR2 模型對多層次、多尺度的道路結(jié)構(gòu)特征進行融合。在此基礎上，利用混合損失函數(shù)和數(shù)據(jù)增強的方法，提升各模型特性。實驗結(jié)果表明，EDRNet 道路提取方法的各項性能指標表現(xiàn)優(yōu)異，能夠從復雜的遙感影像中獲得完整且準確的路網(wǎng)結(jié)構(gòu)。下一步工作是擴大EDRNet 方法的適用范圍，使其能更廣泛地應用在建筑物、河流和車輛等影像提取任務中。