광학 원격 탐지 이미지에서 도로는 장애물, 포장 재료 및 주변 환경 등의 여러 요인의 영향을 쉽게 받아 특징이 흐릿해진다. 하지만 기존 도로 추출 방법은 특징 인지 능력을 강화했음에도 불구하고, 특징이 흐릿한 영역에서 많은 오분류가 존재한다. 이를 해결하기 위해 본 논문은 GCN이 안내하는 모델 시점 기반 도로 추출 네트워크(RGGVNet)를 제안한다. RGGVNet은 인코더-디코더 구조를 채택하고, 인코더와 디코더 연결부에 GCN 기반 시점 안내 모듈(GVPG)을 설계해 모델 시점을 반복적으로 안내하여 특징이 흐릿한 영역에 대한 집중도를 향상시킨다. GVPG는 GCN의 정보 전파 과정이 특징 가중치의 평균 특성을 가지는 점을 활용해, 특징 맵의 서로 다른 영역 도로 두드러짐 수준을 라플라스 행렬로 사용하여 GCN 정보 전파에 참여함으로써 모델 시점 안내를 구현한다. 동시에, 밀집 시점 안내 전략(DGVS)을 제안하여 인코더, GVPG 및 디코더를 밀집 연결 방식으로 상호 연결해 모델 시점 안내를 효과적으로 하면서 최적화 어려움을 완화한다. 디코딩 단계에서는 다중 해상도 특징 융합(MRFF) 모듈을 설계해 다양한 규모의 도로 특징 융합 및 업샘플링 과정에서 정보 왜곡과 손실을 최소화한다. 두 개의 공개 원격 탐지 도로 데이터셋에서 본 방법은 각각 IoU 65.84%, 69.36%와 F1-score 79.40%, 81.90%를 달성하였다. 정량적 및 정성적 실험 결과 모두 본 방법이 다른 주요 방법보다 우수한 성능을 보임을 알 수 있다.

광학 원격 탐지 이미지;도로 추출;심층 신경망;그래프 합성곱 네트워크