光学リモートセンシング画像の道路抽出過程において、連結性の弱さ、細かい分岐の見落とし、予測された道路網と実際の道路網のトポロジー構造の不一致といった問題に対し、本論文では方向誘導とトポロジー認識を備えた道路抽出ネットワークを提案する。まず、多経路方向誘導モジュールを設計し、多方向の接続関係に注目、異なる方向の連結特徴を分離して独立に学習することで、道路分岐間の結びつきを強化し、セグメンテーションの連続性を向上させる。次に、全粒度補完特徴融合モジュールにより細粒度および粗粒度の特徴の補完情報を融合し、道路の細部とセマンティック表現を強化し、ネットワークの細かい分岐の捉え能力を向上させる。最後に、トポロジー認識損失関数を設計し、トポロジーの観点から幾何学的構造の違いを探求し、モデルのトポロジー変化に対する感度を高め、予測道路網と実際道路網のトポロジー的一致性を拘束する。提案モデルはDeepGlobeおよびMassachusettsデータセットでそれぞれ81.95％および79.98％のF1値を達成し、既存の最良手法と比較して0.73％および1.5％改善し、IoUは69.35％および66.38％で、それぞれ0.98％および0.66％向上した。実験結果は、RDTA-Netが他の主要手法よりも道路抽出の精度と完全性に優れていることを示している。さらに、遮蔽、ノイズ、照明などの複雑なシーンでも優れた抽出性能を維持している。

道路抽出;連結関係;方向誘導;全粒度特徴融合;トポロジー認識