题目：Identifying rural roads in remote sensing imagery: From benchmark dataset to coarse-to-fine extraction network—A case study in China
期刊：ISPRS Journal of Photogrammetry and Remote Sensing （IF = 12.2）
论文：https://doi.org/10.1016/j.isprsjprs.2025.11.010
数据/代码：https://rsidea.whu.edu.cn/resource_sharing.htm
年份：2025
单位：西安科技大学，武汉大学，电子科技大学
创新点
构建了首个中国大规模农村道路基准数据集WHU-CR，包含130,412对高分辨率图像，覆盖14个省份七大粮食主产区，涵盖多种道路类型和复杂场景，为农村道路提取研究提供了高质量数据基础。
提出了从粗到精的两阶段框架NANet，通过定位阶段的LACS（局部轴向上下文自注意力）和GFA（全局特征聚合）模块，有效缓解了极窄道路在深度编码中的特征损失问题，保持了多尺度全局一致性。
设计了创新的前景-背景反向注意力机制（FBRA），在细化阶段通过双路径协同策略，显著增强低对比度、弱纹理道路的显著性，同时抑制背景干扰，提升了道路边界清晰度和结构完整性。
在WHU-CR和DeepGlobe数据集上均达到最优性能，Road IoU分别达到55.24%和70.29%，并在大规模实际应用中验证了强泛化能力和实用性，相比现有方法在窄路提取和拓扑连通性方面具有明显优势。
背景
农村道路是支撑农业生产和农村社会经济发展的重要基础设施，对推进乡村振兴和全球可持续发展具有不可或缺的作用。然而，现有的道路制图产品如OpenStreetMap在农村地区往往缺乏足够覆盖，导致道路网络不完整，限制了下游应用。随着高分辨率遥感和人工智能技术的快速发展，虽然已有大量通用道路提取方法被提出，但农村道路提取仍面临严峻挑战：这些道路通常极窄（在高分辨率影像中仅占几个像素宽），在深度特征编码过程中容易导致关键像素衰减或丢失；同时农村道路呈现低对比度、弱纹理特征，与周围环境（如裸土、植被）光谱相似度高，进一步降低了可区分性。这些综合因素使得窄且光谱相似的农村道路提取极其困难，常导致边界模糊、不连续甚至道路段缺失，严重影响了道路网络的拓扑连通性和结构完整性。
为应对这些挑战，本文提出了针对农村道路提取的从粗到精两阶段框架NANet，并构建了大规模中国农村道路基准数据集WHU-CR，为农村道路提取研究提供了有效解决方案和高质量数据支撑。
数据
WHU-CR数据集
数据集基本信息
WHU-CR是首个专门针对中国农村道路提取的大规模基准数据集。数据来源于Google Earth高分辨率遥感影像，空间分辨率为0.3-0.8米，每张图像裁剪为512×512像素，配有详细的语义分割标注。
地理覆盖范围
数据集从中国七大粮食主产区选取14个省份，包括新疆、宁夏、陕西、青海、四川、广西、湖北、湖南、江苏、浙江、河北、山东、吉林和黑龙江，涵盖西北、西南、青藏、黄淮海、长江流域、东南和东北等不同地理环境，确保了数据的代表性和多样性。
数据规模
数据集总计130,412对图像-标注对，是目前中国最大的农村道路数据集。按3:2比例划分为训练集79,000对和测试集51,412对，图像块级别无重叠确保数据独立性。
场景分布
农田场景占45%，村庄场景占45%，山区场景占5%，其他场景（林地等）占5%，充分代表中国农村地区的环境多样性。
道路类型分布
水泥路占43%，沥青路占29%，土路占24%，其他类型占4%，涵盖了中国农村常见的各类道路形态。
标注质量控制
所有标注员经过标准化培训，每个图像至少由两名标注员独立标注，交叉验证一致性率超过90%，专家审核确保准确性。
特殊子集
WHU-CR-Type子集包含5,000对图像，专门标注水泥路、沥青路和土路三种类型，用于评估模型在不同道路类型上的性能。
数据集特点与挑战
农村道路普遍极窄（仅几个像素宽），呈现低对比度和弱纹理特征，土路与裸土光谱相似度高，铺装道路常混有土壤成分，这些特点使WHU-CR成为极具挑战性的基准数据集。
方法
整体架构
NANet采用从粗到精的两阶段框架，模拟人工标注过程：先识别大致道路区域，再细化边界。使用预训练ResNeSt-50作为编码器，分为定位阶段和细化阶段。
定位阶段
局部轴向上下文自注意力模块（LACS）
设计目的： 解决窄道路在深度编码中的特征损失问题。
结构组成： 包含五条并行分支，前两条为残差分支保留低层信息，后三条为增强分支。输入先通过1×1卷积降维至64通道。
多尺度捕获： 增强分支使用不同核大小的卷积（1×3/3×1、1×5/5×1、1×7/7×1）捕获水平和垂直方向的细长道路，配合不同扩张率的扩张卷积（扩张率3、5、7）扩大感受野。
轴向注意力： 核心创新是轴向感知块（AAB），沿水平和垂直轴分别计算注意力权重，选择性增强道路相关特征。
特征融合： 所有分支输出拼接后经1×1卷积，与第一分支残差连接得到最终增强特征。
全局特征聚合模块（GFA）
设计目的： 平衡细粒度细节和全局上下文，克服单层特征表示局限。
处理流程： 接收三个不同分辨率的LACS特征（f'3、f'4、f'5），通过渐进式上采样和逐元素乘法增强跨尺度交互。最低分辨率特征f'5逐步上采样与高分辨率特征融合。
输出结果： 增强特征拼接后经多个3×3卷积处理，生成全局聚合特征r5，为细化阶段提供全局上下文指导。
细化阶段
前景-背景反向注意力模块（FBRA）
核心创新： 通过双路径协同机制显式建模前景-背景关系，同时增强道路特征和抑制背景干扰。
前景路径： 调整特征f'i分辨率与全局特征ri对齐后拼接，经卷积处理输出前景特征响应Ri_fg，整合语义和空间信息。
背景路径： 用Sigmoid激活ri生成注意力权重图Ai，计算反向权重Wi（1-Ai）与f'i逐元素相乘，有效抑制背景区域，输出背景特征响应Ri_bg。
双路径融合： Ri_fg和Ri_bg加权融合生成优化特征Xi，逐层消除已预测道路区域，挖掘补充细节。
多尺度细化： FBRA在多个解码尺度迭代应用，由GFA全局特征r5指导，与LACS多尺度特征交互，渐进式生成清晰
深度监督
监督层级： 对五个侧输出（D0-D4）应用监督，D0整合其余四个输出，所有输出上采样至真值分辨率。
损失函数： 联合BCE损失（优化像素级准确性）和Dice损失（关注整体分割和边界）。
权重优化： 最优配置为D0=1.3、D1=1、D2=0.7、D3=0.7、D4=1，非均匀权重强调主输出同时引导辅助分支。
协同机制
LACS减轻编码阶段特征损失，GFA加强全局结构表示，FBRA在解码阶段逐步增强道路显著性，三者协同配合深度监督策略，有效保留细粒度细节，增强道路网络空间连续性，特别适合复杂农村环境中的窄道路提取。
结果与分析
NANet在WHU-CR和DeepGlobe两个数据集上的所有评估指标（Recall、F1-score、Road IoU和Connectivity）均达到最优性能，相比现有先进方法在Road IoU上取得显著提升，特别是在窄道路和拓扑连通性方面表现出明显优势。大规模实际应用验证表明，NANet提取的农村道路网络在完整性和结构连续性上显著优于OpenStreetMap和高德地图等现有地图产品，展现出强大的泛化能力和实用价值，且在不同道路类型（水泥路、沥青路、土路）上保持稳定性能，其中在最具挑战性的土路提取上优势最为突出。
文章授权转载公众号：遥感与深度学习
- END -
