本文提出一种新颖的方法，通过识别和匹配道路和交叉口，实现对空中图像进行自动地理定位，并且使用 OpenStreetMap 收集地面真实道路注释，在数个实验中体现了高精度的本地化效果，同时还表明检测到的道路和以前手动标记的地图之间的几何对准可以有效地用于改进道路检测结果。

May, 2016

通过采用基于卷积神经网络（CNN）的决策函数来引导迭代搜索过程，RoadTracer可以从高分辨率航空图像中自动构建道路网络图，并在误差率为5％时，相较于分割方法，可以准确地捕捉到多达45％更多的交叉点。

Feb, 2018

该研究提出了利用众包 GPS 数据来改进和支持通过航拍图像提取道路的方法，并通过新颖的数据增强、GPS 呈现和一维转置卷积技术，比以前的竞争获胜模型提高了近 5%，并且在预测新的区域时具有更好的稳健性，无需任何新的训练数据或领域适应。

May, 2019

本文提出了一种基于CRESIv2方法的城市级别道路提取和路线计算方法，该方法包含语义特征识别以及道路速度限制和行车时间的计算，旨在优化路线计算而非简单的最短路径距离。实验证明，该方法在使用SpaceNet数据集的训练和测试数据时优于使用OpenStreetMap标签的方法60%以上，并通过度量平均路径长度相似度（APLS）和地图拓扑（TOPO）等指标对算法的性能进行了评估。

Aug, 2019

提出了一种基于SPIN模块和金字塔网络的道路识别方法，该方法可以从卫星图像中高效且准确地提取出道路信息，并且在训练时收敛速度快。

Sep, 2021

提出了一种基于SRUNet的道路检测方法，利用地理信息数据库和历史道路信息相结合，以及采用MEB多分支网络、均值教师框架和ReCo区域对比，实现了对道路的稳定、及时和可靠更新。

Apr, 2023

建立在Patche Line Segment（PaLiS）表示法之上，本文提出了一种从卫星遥感图像计算向量道路地图的新方法，其采用线段作为道路向量表示，通过非重叠的区块划分和预测适当的线段来捕捉空间和结构线索，无需额外神经网络进行连通性构建，在实验中表明道路图的有效表示显著提高了向量道路映射的性能。

Sep, 2023

通过远程感知图像的分割获取道路的精确方面对于自主车辆、城市发展规划以及实现可持续发展目标等很多实际应用非常有用。本研究提出了一种基于拓扑感知的无监督领域自适应方法用于道路分割，通过预测道路骨架作为辅助任务来强制施加拓扑约束，并利用基于连通性的伪标签精化策略过滤噪声伪标签，避免出现孔洞和不连续性。在基准数据集上进行的大量实验表明，该方法在IoU、F1分数和APLS方面相较于现有的最先进方法有最少6.6%、6.7%和9.8%的较大增益，尤其在SpaceNet到DeepGlobe的迁移场景上效果更为显著。

Sep, 2023

本研究提出了一种用于评估地理空间机器学习模型空间远程上下文理解能力的道路分割基准数据集，展示了常用的语义分割模型在该任务中的失败情况，并分析了模型在决策的相关背景（未遮挡的道路）距离变化时的性能变化。

Jan, 2024

通过使用高分辨率卫星影像，我们提出了一种完全自动化的流程来从图像中提取道路网络，结果表明与OpenStreetMap数据相比，该方法能够提供最新的道路设计和精确的道路位置。

Jun, 2024