光学リモートセンシング画像において、道路は遮蔽物、舗装材料、および周囲環境など複数の要因の影響を受けやすく、その特徴がぼやけることがある。しかし、既存の道路抽出方法は特徴認識能力を強化しても、特徴がぼやけた領域に多くの誤判定が存在する。この問題を解決するために、本論文ではGCN誘導モデル視点に基づく道路抽出ネットワーク（RGGVNet）を提案する。RGGVNetはエンコーダ・デコーダ構造を採用し、エンコーダとデコーダの接続部にGCNベースの視点誘導モジュール（GVPG）を設計してモデル視点を繰り返し誘導し、特徴がぼやけた領域への注目を強化する。GVPGはGCNの情報伝播過程で特徴の重み平均特性を利用し、特徴マップの異なる領域における道路顕著度レベルをラプラシアン行列として使用し、GCNの情報伝播に参加してモデル視点の誘導を実現する。同時に、密集誘導視点戦略（DGVS）を提案し、エンコーダ、GVPG、およびデコーダを密接に接続してモデル視点の効果的な誘導と最適化の難しさの軽減を図る。デコーディング段階では多分解能特徴融合（MRFF）モジュールを設計し、異なるスケールの道路特徴の特徴融合およびアップサンプリング過程での情報オフセットと損失を最小化する。二つの公開リモートセンシング道路データセットで、本手法はIoUがそれぞれ65.84％と69.36％、F1スコアが79.40％と81.90％に達した。定量的および定性的な実験結果から、本手法は他の主流手法より優れた性能を示すことが確認できる。

光学リモートセンシング画像;道路抽出;深層ニューラルネットワーク;グラフ畳み込みネットワーク