Holistically-Nested Structure-Aware Graph Neural Network for Road Extraction

卷积神经网络（CNN）在卫星图像中检测道路方面取得了重大进展。然而，现有的CNN方法通常是重新利用语义分割架构，并且在长而曲折的区域的描绘方面表现不佳。缺乏整体道路拓扑和结构信息进一步恶化了它们在具有挑战性的遥感图像上的表现。本文提出了一种新颖的多任务图神经网络（GNN），它同时检测道路区域和道路边界；这两个任务之间的相互作用从两个方面解锁了卓越的性能：（1）分层检测到的道路边界使网络能够捕捉和编码整体道路结构以增强道路连通性；（2）识别语义土地覆盖区域的内在相关性，缓解了识别外观相似的区域中的道路的困难。对具有挑战性的数据集的实验表明，与现有方法相比，所提出的架构可以改善道路边界描绘和道路提取的准确性。

本文试图解决卫星图像中道路检测的问题，尤其是在长曲线道路的识别上表现不佳的问题。

本文提出了一种新的多任务图神经网络（GNN）来同时检测道路区域和道路边界，利用两个任务之间的相互作用来提高性能。

本文的亮点在于提出了一种新的多任务学习方法，可以同时学习道路区域和道路边界的检测；通过道路边界的层次检测，可以提高道路结构的连通性；通过识别语义土地覆盖区域的内在相关性，可以降低识别复杂遮挡的道路的难度。

最近在这个领域中，一些相关研究包括：《基于深度学习的卫星图像道路提取方法综述》、《利用卷积神经网络进行卫星图像道路提取的研究》等。