基于几何自适应与线性特征增强的遥感道路提取网络GLNet：解决复杂场景下的拓扑连通性挑战

《IEEE Access》：Remote Sensing Road Extraction Network Based on Geometric Adaptation and Linear Feature Enhancement

　　为解决遥感影像中道路提取存在的几何适应性不足、方向模糊及拓扑连通性差等关键问题，研究人员开展了基于几何自适应与线性特征增强的遥感道路提取网络（GLNet）研究。通过融合可变形卷积与多尺度线性特征增强模块，显著提升了道路形态建模能力与拓扑结构完整性。实验表明，GLNet在DeepGlobe和SpaceNet数据集上IoU与APLS指标均优于现有方法，尤其擅长复杂背景下的断裂道路重建，为自动驾驶、灾害救援等应用提供了更可靠的道路网络数据。

　　

在自动驾驶、灾害救援和城市规划等领域，高精度道路网络数据具有至关重要的作用。然而，从遥感影像中自动提取道路却面临诸多挑战：道路形态千变万化，从规整的城市街道到蜿蜒的乡村小路；道路尺度差异显著，宽窄不一；复杂环境中的遮挡、阴影以及道路与背景的光谱相似性等问题，都导致传统方法难以获得令人满意的结果。特别是道路拓扑连通性差、断裂现象严重，成为制约实际应用的瓶颈问题。

传统方法如阈值分割对光照变化敏感，而基于机器学习的方法难以应对道路形态的多变性。尽管深度学习技术尤其是全卷积网络（FCN）和U-Net等编码器-解码器架构显著提升了道路分割性能，但固定结构的卷积核在捕捉弯曲道路的几何特征方面存在固有局限，渐进式下采样也会造成空间细节丢失，影响道路连通性的恢复。

针对这些挑战，研究人员在《IEEE Access》上发表了题为"Remote Sensing Road Extraction Network Based on Geometric Adaptation and Linear Feature Enhancement"的研究论文，提出了一种新颖的GLNet网络。该网络基于LinkNet架构，通过三个核心创新模块实现了道路提取性能的显著提升。

研究采用了几项关键技术方法：首先构建了形状自适应编码模块（SAEM），结合可变形卷积动态调整采样位置以适应道路几何形态；其次设计了多尺度线性特征提取模块（MLFM），通过多尺度卷积和条带卷积捕获道路的尺度多样性和方向特征；最后在解码器末端引入注意力特征增强模块（AFEM），通过方向感知注意力机制强化道路区域关注并抑制背景干扰。模型在DeepGlobe和SpaceNet数据集上进行训练与评估，采用Dice损失与二元交叉熵（BCE）损失的组合函数解决类别不平衡问题。

Shape Adaptive Encoding Module

研究团队发现标准卷积的固定采样网格难以有效建模弯曲、分支等不规则道路结构。为此，GLNet在编码器中引入了形状自适应编码模块（SAEM），该模块并行使用大核卷积和可变形卷积，使网络能够根据道路局部几何形态动态调整卷积核的采样位置。如图2和图3所示，可变形卷积通过学习到的偏移量，使采样点更贴合道路真实形态，显著提升了对复杂道路结构的建模能力。该模块以ConvNeXt-Tiny为骨干网络，通过四个阶段的下采样和SAEM堆叠，实现了对道路几何特征的高效提取。

Multiscale Linear Feature Extraction Module

针对道路的尺度多样性和方向特性，研究在瓶颈层设计了多尺度线性特征提取模块（MLFM）。该模块包含两个并行分支：多尺度分支通过不同感受野的卷积层处理不同宽度的道路，采用小卷积核级联替代大卷积核以平衡感受野与计算效率；线性分支使用四个方向的条带卷积（水平、垂直和45度对角线）增强对线性结构的感知。两条分支的特征通过拼接和卷积融合，有效捕获了弯曲、交叉等复杂道路几何特征，为解码阶段提供了丰富的多尺度、多方向特征表示。

Attention Feature Enhancement Module

在解码器末端，GLNet引入了注意力特征增强模块（AFEM）以进一步提升提取精度。该模块首先通过3×3卷积融合浅层细节与深层语义信息，然后采用轻量级方向感知注意力机制：将特征图按通道分组，分别沿水平和垂直方向进行平均池化生成方向表征，通过1×1卷积产生通道注意力权重，最后通过元素级相乘和通道混洗操作增强特征表示。这一设计显著提升了模型在复杂背景或道路边界模糊情况下的定位准确性和鲁棒性。

Experiments and Analysis

在DeepGlobe和SpaceNet数据集上的实验结果表明，GLNet在多项指标上均优于对比方法。在DeepGlobe数据集上，GLNet的IoU_r达到68.17%，mIoU达到83.27%，F1分数达到81.07%，APLS达到69.67%，全面领先U-Net、LinkNet、D-LinkNet等主流方法。在SpaceNet数据集上同样表现出色，IoU_r为59.89%，APLS为63.58%。视觉对比结果（图7和图8）进一步证实，GLNet在细微道路检测、遮挡区域预测、噪声抑制和道路连通性方面均有显著优势，特别是在断裂道路重新连接方面表现突出。

Ablation Study

消融实验（表3和图9）系统验证了各模块的贡献。以LinkNet为基线，单独添加SAEM模块使APLS提升3.64%，IoU提升至65.86%；继续添加MLFM模块后，APLS进一步提升2.16%至68.63%，IoU达到67.32%；最终加入AFEM模块形成完整GLNet，APLS达到69.67%，IoU达到68.17%。视觉对比显示，各模块逐步加入后，道路连通性和噪声抑制效果持续改善，证明了各组件的有效性和协同作用。

GLNet通过几何自适应与线性特征增强的协同设计，有效解决了遥感道路提取中的关键挑战。可变形卷积赋予网络对道路复杂几何形态的动态适应能力，多尺度线性特征提取强化了对道路拓扑结构的建模，而注意力增强机制则提升了目标区域的关注度。实验证明，该网络在保持合理计算复杂度的前提下，显著提升了道路提取的准确性和拓扑连通性，尤其在复杂场景和断裂道路重建方面展现出色性能。这一研究为遥感图像分析提供了新的技术思路，不仅适用于道路提取，还可推广至建筑物提取、植被分类等任务，在智慧城市、环境监测等领域具有广阔应用前景。未来研究可进一步优化计算效率，提升模型在不同地理环境、气候条件和传感器类型下的泛化能力。