深度学习在自动提取遥感图像中的道路信息方面发挥着越来越重要的作用。现有的道路提取方法在复杂环境下常面临挑战，尤其是在道路被遮挡或路网过于密集的情况下。由于周围环境的干扰，导致道路特征难以识别；而在密集的道路布局中，模型需要精准区分紧密连接的道路元素，才能保证提取的完整性和准确性。
图1. 道路提取任务面对的复杂挑战
针对这一难题，黎建辉课题组设计了SSCNet模型，通过同步分层学习与跨层特征融合技术，充分利用不同层次的信息，有效地弥补了道路遮挡和密集分布造成的提取遗漏，从而提升了道路提取的精度和完整性。同步分层学习能够让模型在编码器和解码器的不同层次上分别学习浅层、中层和深层特征，同时捕捉细节信息、上下文信息和全局语义信息。而跨层特征融合策略让模型更好地整合这些特征，利用上下文信息作为媒介，促进不同层次之间的信息交互。
图2. SSCNet整体架构
SSCNet包含动态道路细节匹配器、跨上下文自适应注意力机制和多尺度全局信息整合器。动态道路细节匹配器通过多尺度、多方向的条形卷积核和动态蛇形卷积来精确匹配密集道路的细节，尤其适用于细长且弯曲的道路提取，有效解决了传统方法在密集道路布局中提取不足的问题。跨上下文自适应注意力机制利用跨层多头注意力机制，结合上下文信息与浅层细节特征，帮助模型在遮挡情况下更好地恢复道路信息，增强了模型的鲁棒性。多尺度全局信息整合器有效地融合了来自不同层次的全局信息，使模型在复杂环境下能够更好地理解道路网络的全局布局，进一步提高了遮挡区域的提取效果和道路结构的完整性。
图3. SSCNet所包含的三个模块
图4. SSCNet部分可视化实验结果
研究成果以“SSCNet: Synchronous Stratification and Cross-level Feature Fusion for Road Extraction”为题，发表于计算机与工程技术领域顶级期刊IEEE Transactions on Intelligent Transportation Systems（论文链接https://doi.org/10.1109/TITS.2025.3564240）。南京大学前沿科学学院空间地球科学研究院黎建辉教授为论文通讯作者，硕士生马贤至为第一作者。该研究得到了国家自然科学基金、国家重点研发计划、南京大学启动研究基金的支持。
