周高典（博士生），陈伟涛* 等，计算机学院. IEEE TGRS (2021), Split Depth-wise Separable Graph Convolution Network for Road Extraction in Complex Environment from High-resolution Remote Sensing Imagery

近日，地球科学和遥感领域顶级期刊《IEEE Transactions on Geoscience and Remote Sensing（IEEE TGRS）》在线刊发了我校计算机学院“地学+人工智能遥感”学科交叉研究论文——Split Depth-wise Separable Graph Convolution Network for Road Extraction in Complex Environment from High-resolution Remote Sensing Imagery。论文第一作者为计算机学院2019级博士生周高典，通讯作者为该院人工智能系陈伟涛教授。

道路在土地利用分析、智能导航和环境变化检测等领域中是非常重要的数据。利用深度学习技术从高分辨遥感影像上提取道路已经展现出了良好性能。然而，对于复杂环境下被遮挡或者覆盖的道路智能提取，仍存在尚待解决的技术难题，例如道路类内差异大、类间差异小的特征抽取技术，被树木、阴影和建筑遮挡的道路特征表达技术，缺少山区等复杂环境下的道路数据集等。

针对上述问题，顾及图谱（Graph）表征道路上下文信息的潜在能力，该论文构建了一个分层可分离卷积图神经网络（SGCN），提高被遮挡的道路和细小道路提取精度。首先，使用分层可分离卷积分别提取道路的空间和通道特征，增强道路的特征表达能力；然后，使用图卷积网络来分别获取道路空间和通道特征的全局信息。论文提出的SGCN模型在公开的马萨诸塞州道路数据集（Massachusetts Roads Dataset）上，相对于最新主流的算法，综合性能表现最佳。在该团队构建的复杂环境山区道路数据集上SGCN模型同样表现最佳，说明SGCN模型具有良好的泛化能力，且该团队构建的数据集能够作为复杂环境下道路提取研究的基准。

  图1 论文提出的 SGCN 网络架构图 

IEEE TGRS是地球科学和遥感领域的顶级期刊之一，是IEEE地球科学与遥感技术协会（GRSS）会刊，在遥感技术和地球科学领域具有较高影响力。

该研究得到国家自然科学基金项目（U1803117, 41925007，42071430）的联合资助。

论文信息：

Title: Split Depth-wise Separable Graph Convolution Network for Road Extraction in Complex Environment from High-resolution Remote Sensing Imagery

Authors: Gaodian Zhou, Weitao Chen*, Qianshan Gui, Xianju Li, Lizhe Wang

Source: IEEE Transactions on Geoscience and Remote Sensing

DOI: 10.1109/TGRS.2021.3128033

Available online: 15 November 2021

论文链接: https://ieeexplore.ieee.org/abstract/document/9614130

论文代码链接：https://github.com/tist0bsc/SGCN；

数据集链接：

Google Driver: https://drive.google.com/drive/folders/1ySCIbjRgzZVLiKjcE-AWxfqHmSWJy0ZF?usp=sharing