半监督道路更新网络（SRUNet）：一种基于遥感影像与历史矢量地图的道路更新深度学习方法

道路是城市的骨架，是基础且重要的地理要素。当前，许多国家已建立地理信息数据库并积累了大量地理数据。然而，随着基础设施的广泛建设与城市的快速扩张，自动更新道路数据对于维持现有基础地理信息的高质量势在必行。然而，获取同一区域的双时相影像十分困难，且需要复杂的后处理方法以更新现有数据库。为解决这些问题，我们提出了一种基于半监督学习（SRUNet）的道路检测方法，专用于道路更新应用；该方法将历史道路信息与最新影像融合，直接获取道路的最新状态。考虑到道路纹理复杂，提出了一种名为地图编码分支（MEB）的多分支网络用于表征学习，其中边界增强模块（BEM）用于提升边界预测精度，残差精炼模块（RRM）用于优化预测结果。进一步地，为充分利用有限的标注信息并提升对无标注影像的预测精度，我们采用均值教师框架作为基础半监督学习框架，并在工作中引入区域对比（ReCo）以增强模型区分道路与背景要素特征的能力。我们将该方法应用于两个数据集。我们的模型能以更少标注有效提升模型性能。总体而言，所提出的 SRUNet 可为广泛的道路更新任务提供稳定、及时且可靠的预测结果。