1. Split Depth-wise Graph-Conv Network
2.Scribble-Based Weakly Supervised
3.Cascaded Multi-Task Road Extraction Network for Road Surface, Centerline, and Edge Extraction
本文提出了一种同时提取路面、中心线和边缘的级联多任务(CASMT)道路提取框架。 在该框架中，采用拓扑感知学习来捕获远距离拓扑关系，并采用硬示例挖掘(HEM)损失来更多地关注硬样本，进一步提高道路完备性。
提出了一种CASMT道路提取框架。 这是基于道路提取涉及道路SS、CE和ED三个典型任务，而现有的道路提取模型大多是单任务模型，不能有效地利用这三个任务之间的共生关系来提高道路的连通性。 为了建立三个任务之间的关联，CASMT框架以级联的方式执行三个任务，其中道路SS网络是主干网，CE分支和ED分支学习道路SS结果和底层特征。 通过最小化一个联合损失函数，即三个任务的损失之和，信息在三个任务之间流动。 2）提出了基于拓扑感知的道路连通性学习算法。 VHR遥感图像中地物的复杂分布给道路提取带来了很多干扰，如建筑物和树木带来的阴影和遮挡。 道路段之间的拓扑关系被这些干扰所分离，导致三个道路任务往往产生碎片化的道路段。 因此，在主干网、CE支路和ED支路中应用拓扑感知学习来捕捉远距离的空间上下文信息，缓解局部干扰问题，从而获得拓扑正确的道路。 3）引入折边损失，提高道路识别率。 由于高分辨率遥感图像背景复杂，如遮挡、阴影以及周围纹理相似的地物的干扰等，许多道路无法成功识别，即存在大量的假阴性。 因此，本文将HEM损失应用于这三个任务的优化中，通过减少模糊神经网络和更多地关注硬样本来提高道路识别率.
4.Stagewise Unsupervised Domain Adaptation With Adversarial Self-Training for Road Segmentation of Remote-Sensing Images
基于对抗式自训练的分段无监督域自适应遥感图像道路分割
5.边缘增强卷积神经网络在高分辨率遥感影像道路检测中的应用
为了更好地识别道路，提出了通过简化的UNet学习道路检测结果中的道路边缘信息和不同尺度的低层细节信息来增强边缘监控的方法。 如图3所示，简化的U-网有三个向下样本，简化的UNet的特征图分别是8、16、32和64。 同时，将第一个卷积层和第一个残差块后的特征映射连接到简化的UNet中，为道路边缘信息的学习提供一些低级的细节信息。 最后，通过Sigmoid分类器获得概率图，并将阈值设置为0.5以获得边缘学习结果。 通过计算边缘学习结果与标签之间的差值，得到边缘损失，即
6. Leveraging Crowdsourced GPS Data for Road Extraction from Aerial Imagery
我们的一维解码器用四组四个方向的一维滤波器级联代替了每一个3×3转置卷积层。 每组一维滤波器的个数为3×3滤波器总数的1/4。 因此，网络参数总数和计算开销保持不变。 我们的一维解码器通过减少预测中的差距，特别有效地对抗具有稀疏GPS样本的道路，例如住宅道路。
7.Coordinate Attention for Efficient Mobile Network Design
