광학 원격탐사 영상에서 도로 추출 과정 중 연결성이 약하고, 미세 분기 누락 및 예측된 도로망과 실제 도로망의 위상 구조 불일치 등의 문제를 해결하기 위해 본 논문에서는 방향 유도 및 위상 인지를 갖춘 도로 추출 네트워크를 제안한다. 먼저, 다중 경로 방향 유도 모듈을 설계하여 다양한 방향의 연결 관계에 주목하고, 각기 다른 방향의 연결 특성을 분리하여 독립적으로 학습함으로써 도로 분기 간의 연계를 강화하고 분할 연속성을 향상시킨다. 다음으로 전립도 상호 보완 특성 융합 모듈을 통해 미세 및 거친 입자 특성의 보완 정보를 융합하여 도로 세부 정보와 의미 표현을 강화하고, 네트워크가 미세 분기를 포착하는 능력을 향상시킨다. 마지막으로 위상 인지 손실 함수를 설계하여 위상적 관점에서 기하학적 구조 차이를 탐색하고, 모델의 위상 변화 민감도를 강화하며 예측 도로망과 실제 도로망의 위상 일관성을 제약한다. 제안 모델은 DeepGlobe 및 Massachusetts 데이터셋에서 각각 81.95% 및 79.98%의 F1 값을 달성하였으며, 기존 최적 방법 대비 0.73% 및 1.5% 향상되었고, IoU는 각각 69.35% 및 66.38%로 0.98% 및 0.66% 증가하였다. 실험 결과 RDTA-Net이 다른 주요 방법보다 도로 정밀도와 완전성에서 우수함을 보여주었다. 또한, 차폐, 잡음 및 조명 등 복잡한 환경에서도 우수한 추출 성능을 유지하였다.

도로 추출;연결 관계;방향 유도;전립도 특성 융합;위상 인지