基于U型残差网络的遥感图像道路提取方法研究

针对遥感图像道路提取时大量建筑物、植被等干扰信息遮挡，导致出现错分、漏分、边缘信息恢复不完整等问题，提出一种基于Adaptive Mixup操作的深度残差分割网络。首先，使用预训练的ResNet101作为网络的编码器，有效地保持其特征表达能力；其次，引入ASPP模块提取图像的多尺度特征信息，在特征融合过程中加入Adaptive Mixup操作，对特征信息进行自适应地动态融合；最后，使用转置卷积与Pixelshuffle结合的上采样方法，对缩小后的特征图进行有效放大。通过使用两个高分辨率遥感数据集Massachusetts Roads Dataset和DeepGlobe Roads Dataset的实验结果表明，所提方法最高可达92.28%的精确率值和86.97%的F1值，改进后的网络在各项评价指标上均优于FCN、SegNet等经典语义分割网络，能够有效对道路信息进行提取，具备一定的实用价值。