GLD-Road：面向遥感图像的全局-局部解码道路网络提取模型
计算机视觉与模式识别
2025-11-20 v1
摘要
道路网络对制图、自动驾驶和灾害响应至关重要。虽然人工标注成本高昂，但深度学习提供了高效的提取手段。现有方法包括后处理（易出错）、全局并行（快速但遗漏节点）和局部迭代（精确但缓慢）。我们提出GLD-Road，一种结合全局效率与局部精度的两阶段模型。首先，它通过连接模块检测道路节点并将其连接。然后，它利用局部搜索迭代修复断裂道路，大幅减少计算量。实验表明，GLD-Road优于现有最先进方法，在City-Scale上将APLS提升1.9%，在SpaceNet3上提升0.67%。与Sat2Graph（全局方法）相比，检索时间减少40%；与RNGDet++（局部方法）相比，检索时间减少92%。实验结果可在https://github.com/ucas-dlg/GLD-Road获取。
引用
@article{arxiv.2506.09553,
title = {GLD-Road:A global-local decoding road network extraction model for remote sensing images},
author = {Ligao Deng and Yupeng Deng and Yu Meng and Jingbo Chen and Zhihao Xi and Diyou Liu and Qifeng Chu},
journal= {arXiv preprint arXiv:2506.09553},
year = {2025}
}