Die Erkennung von Straßenmerkmalen aus Fernerkundungsbildern ist entscheidend für die Aufrechterhaltung eines aktuellen und zuverlässigen Straßennetzes, das für den Verkehr, die Notfallplanung und die Navigation unerlässlich ist. Faltungsneuronale Netze haben sich bei der Automatisierung dieses Prozesses als vielversprechend erwiesen, doch die bestehenden Methoden gehen oft zu Lasten der Genauigkeit und Komplexität.

Diese Studie zielt darauf ab, eine genaue Methode zur Straßenextraktion zu entwickeln, ohne dabei die Rechenleistung zu beeinträchtigen. Wir schlagen ein neuronales Netz zur semantischen Segmentierung vor, das Transferlernen und U-Netz-Architektur mit minimaler Komplexität kombiniert.

Nachbearbeitungstechniken werden eingesetzt, um die Ausgabequalität zu verbessern. Unsere Methode erreicht einen F1-Wert von 0,83 und eine Genauigkeit von 95,57 % und übertrifft damit andere Modelle auf dem Massachusetts-Datensatz.

Dieser Ansatz zeigt eine überlegene Leistung und reduzierte Netzwerkkomplexität im Vergleich zu bestehenden Methoden. .