一種基于Scribble標(biāo)注和邊界先驗(yàn)的弱監(jiān)督道路提取方法摘要：針對(duì)遙感圖像精準(zhǔn)標(biāo)注成本高昂的問題，文章聚焦于弱監(jiān)督場(chǎng)景下道路提取的關(guān)鍵挑戰(zhàn)：如何在稀疏標(biāo)注條件下有效提升道路提取精度。現(xiàn)有方法存在監(jiān)督信號(hào)受限、偽標(biāo)簽更新機(jī)制缺失及邊緣誤報(bào)嚴(yán)重等瓶頸。為此，提出基于涂鴉（Scribble）標(biāo)注與邊界先驗(yàn)雙驅(qū)動(dòng)的新型弱監(jiān)督道路提取模型，通過創(chuàng)新性設(shè)計(jì)隨機(jī)混合偽標(biāo)簽生成方法，并融合多尺度邊界先驗(yàn)信息實(shí)現(xiàn)精度突破。本研究的核心改進(jìn)體現(xiàn)在三方面：第一，構(gòu)建邊界先驗(yàn)輔助模塊，通過多尺度特征融合策略，將高分辨率邊緣細(xì)節(jié)與低分辨率穩(wěn)健特征相結(jié)合，有效抑制道路邊界誤報(bào)現(xiàn)象；第二，提出動(dòng)態(tài)隨機(jī)混合的偽標(biāo)簽生成機(jī)制，利用主/輔雙解碼器分支的預(yù)測(cè)結(jié)果進(jìn)行隨機(jī)權(quán)重混合，突破傳統(tǒng)方法中偽標(biāo)簽靜態(tài)不可更新的局限性；第三，建立聯(lián)合優(yōu)化框架，通過邊界損失、Scribble監(jiān)督損失與偽標(biāo)簽損失的協(xié)同約束，實(shí)現(xiàn)模型性能的迭代提升。實(shí)驗(yàn)結(jié)果表明，相較WeaklyOSM方法，本研究方法可在CHN6-CUG數(shù)據(jù)集中將交并比提高2.84%。關(guān)鍵詞：道路提??；遙感圖像；U-Net；弱監(jiān)督；深度學(xué)習(xí)中圖分類號(hào)：TP391""文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044（2025）18-0106-04開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）遙感影像道路提取作為智慧城市建設(shè)和自動(dòng)駕駛技術(shù)的關(guān)鍵支撐，其精度與效率直接影響地理信息系統(tǒng)的應(yīng)用價(jià)值。盡管衛(wèi)星與無人機(jī)技術(shù)顯著提升了數(shù)據(jù)獲取能力，但在復(fù)雜場(chǎng)景下實(shí)現(xiàn)道路網(wǎng)絡(luò)的精準(zhǔn)提取仍是亟待突破的技術(shù)難題[1]。傳統(tǒng)方法主要依賴人工設(shè)計(jì)的特征提取規(guī)則，通過形態(tài)學(xué)運(yùn)算、區(qū)域生長等物理拓?fù)浞椒ㄟM(jìn)行道路識(shí)別。這類方法雖然在簡單場(chǎng)景中具有一定實(shí)用性，但難以應(yīng)對(duì)光照變化、植被遮擋及復(fù)雜路網(wǎng)拓?fù)涞痊F(xiàn)實(shí)挑戰(zhàn)，導(dǎo)致提取結(jié)果存在斷裂、誤識(shí)別等問題，嚴(yán)重制約了其在城市規(guī)劃等領(lǐng)域的實(shí)際應(yīng)用[1]。深度學(xué)習(xí)技術(shù)為道路提取帶來了革命性突破。以全卷積網(wǎng)絡(luò)（FCN）[2]為代表的全監(jiān)督方法，通過端到端學(xué)習(xí)實(shí)現(xiàn)像素級(jí)道路預(yù)測(cè)，將提取精度提升至新高度。然而，逐像素標(biāo)注需求導(dǎo)致標(biāo)注成本呈指數(shù)級(jí)增長，尤其在處理高分辨率遙感影像時(shí)，標(biāo)注工作量成為制約技術(shù)落地的關(guān)鍵瓶頸。弱監(jiān)督學(xué)習(xí)通過利用Scribble標(biāo)注等稀疏監(jiān)督信號(hào)，為降低標(biāo)注成本提供了新思路：Lin等[3]提出的ScribbleSup算法首次將Scribble標(biāo)注與FCN結(jié)合，通過交替優(yōu)化實(shí)現(xiàn)弱監(jiān)督分割，但存在模型復(fù)雜度激增（計(jì)算開銷增加47%）和邊緣分割粗糙（邊界交并比下降12.6%）等問題。后續(xù)研究雖引入條件隨機(jī)場(chǎng)（CRF）優(yōu)化邊緣細(xì)節(jié)[4]，或借助OpenStreetMap（OSM）數(shù)據(jù)輔助訓(xùn)練[5]，但未能解決偽標(biāo)簽迭代優(yōu)化與多尺度特征融合兩大核心問題。當(dāng)前弱監(jiān)督道路提取面臨雙重技術(shù)瓶頸：1）偽標(biāo)簽質(zhì)量與模型訓(xùn)練存在強(qiáng)耦合性，靜態(tài)偽標(biāo)簽導(dǎo)致“惰性模仿”現(xiàn)象[6]，使錯(cuò)誤預(yù)測(cè)持續(xù)累積；2）道路邊緣受建筑、植被等干擾嚴(yán)重，現(xiàn)有方法缺乏有效的多尺度特征校正機(jī)制，誤報(bào)率居高不下（現(xiàn)有方法平均誤報(bào)率達(dá)23.7%[5]）。針對(duì)上述挑戰(zhàn)，本文提出融合動(dòng)態(tài)偽標(biāo)簽優(yōu)化與邊界先驗(yàn)約束的新型弱監(jiān)督框架，主要?jiǎng)?chuàng)新包括：1）邊界先驗(yàn)輔助模塊：構(gòu)建多尺度特征融合管道，通過高/低分辨率特征協(xié)同校正機(jī)制，減少邊緣誤報(bào)，提高道路邊界的識(shí)別精度；2）動(dòng)態(tài)偽標(biāo)簽生成機(jī)制：設(shè)計(jì)雙解碼器分支的隨機(jī)權(quán)重混合策略，實(shí)現(xiàn)偽標(biāo)簽的迭代更新，改善“惰性模仿”現(xiàn)象；3）聯(lián)合優(yōu)化損失函數(shù)：集成邊界約束損失、Scribble監(jiān)督損失與偽標(biāo)簽一致性損失，提升模型在復(fù)雜場(chǎng)景下的泛化能力。1相關(guān)工作1.1整體模型本模型采用三分支解碼架構(gòu)，由1個(gè)共享編碼器和3個(gè)獨(dú)立解碼器構(gòu)成（如圖1所示）。其中，分割主解碼分支執(zhí)行道路區(qū)域提取，邊界先驗(yàn)輔助解碼分支優(yōu)化邊緣特征，分割輔助解碼分支則通過擾動(dòng)機(jī)制提升偽標(biāo)簽質(zhì)量。編碼器結(jié)構(gòu)設(shè)計(jì)以U-Net為基礎(chǔ)框架，輸入為512×512像素的遙感影像。編碼層包含4級(jí)下采樣模塊：每級(jí)采用步長為2的3×3卷積實(shí)現(xiàn)空間降維，同時(shí)特征通道數(shù)逐級(jí)倍增（64→128→256→512）。經(jīng)過4次下采樣后，輸出32×32×512的高維語義特征。多尺度特征融合模塊采用空洞空間金字塔池化（ASPP）[7]結(jié)構(gòu)。該模塊由3組不同空洞率的3×3空洞卷積（rates=6，12，18）和1組1×1標(biāo)準(zhǔn)卷積并行組成?？斩淳矸e通過間隔采樣擴(kuò)大感受野（最大可覆蓋37×37像素區(qū)域），相比傳統(tǒng)下采樣方法，可在不降低分辨率的前提下捕獲多尺度上下文信息。三分支解碼器協(xié)同工作機(jī)制如圖1所示：邊界先驗(yàn)輔助解碼分支：將32×32低層特征上采樣至128×128分辨率后，與編碼器中層特征進(jìn)行通道拼接，生成邊界預(yù)測(cè)輔助分割。分割主解碼分支：將自身預(yù)測(cè)與邊界先驗(yàn)輔助解碼分支產(chǎn)生的特征進(jìn)行融合，生成強(qiáng)化邊界細(xì)節(jié)的分割預(yù)測(cè)。分割輔助解碼分支：在分割主解碼器結(jié)構(gòu)基礎(chǔ)上，每個(gè)卷積層前加入概率為0.5的Dropout層，通過隨機(jī)失活產(chǎn)生擾動(dòng)預(yù)測(cè)。特征交互機(jī)制包含兩個(gè)關(guān)鍵路徑：邊緣強(qiáng)化路徑：主分割分支的128×128特征圖與邊界分割分支輸出進(jìn)行結(jié)合，優(yōu)化邊界細(xì)節(jié)分割。偽標(biāo)簽生成路徑：主/輔分割分支的預(yù)測(cè)通過隨機(jī)權(quán)重混合生成動(dòng)態(tài)偽標(biāo)簽，其中輔助分支的強(qiáng)擾動(dòng)設(shè)計(jì)可有效避免“惰性模仿”現(xiàn)象。1.2邊界先驗(yàn)輔助解碼分支邊界先驗(yàn)輔助解碼分支通過多尺度特征融合優(yōu)化邊緣識(shí)別精度。1）特征提取：從主分割解碼分支獲取32×32低分辨率語義特征，經(jīng)兩次雙線性上采樣至128×128分辨率。2）特征融合：將上采樣特征與編碼器中層輸出的128×128低級(jí)特征進(jìn)行通道拼接（concatenation）。3）邊界預(yù)測(cè)：融合特征經(jīng)過3×3卷積降維后，通過兩個(gè)2×2轉(zhuǎn)置卷積層逐步上采樣至512×512分辨率，得到邊界預(yù)測(cè)結(jié)果。為提升邊界檢測(cè)的準(zhǔn)確性，引入整體邊緣檢測(cè)算法（Holistically-NestedEdgeDetection，HED）[8]。該算法通過多尺度卷積特征融合，能夠有效學(xué)習(xí)從粗到細(xì)的邊緣特征。在BSDS500通用邊界數(shù)據(jù)集[9]預(yù)訓(xùn)練的HED模型（無需微調(diào)）生成邊界偽標(biāo)簽，用于監(jiān)督邊界分支，從而輔助主分割分支提升對(duì)道路邊界的定位能力。邊界監(jiān)督機(jī)制包含兩個(gè)關(guān)鍵設(shè)計(jì)：1）最終輸出層采用Sigmoid函數(shù)，將像素值映射到[0，1]區(qū)間，表示屬于道路邊界的概率（選用Sigmoid因其適用于二分類任務(wù)，能夠穩(wěn)定輸出類別概率）。2）除最后一層外，所有卷積層均使用ReLU激活函數(shù)，以增強(qiáng)非線性表達(dá)能力。1.3雙分割分支在網(wǎng)絡(luò)訓(xùn)練中存在“惰性模仿”現(xiàn)象，即隨著網(wǎng)絡(luò)預(yù)測(cè)與偽標(biāo)簽相似性增加，監(jiān)督信號(hào)變?nèi)?，學(xué)習(xí)過程易達(dá)平穩(wěn)，預(yù)測(cè)錯(cuò)誤易持續(xù)存在，導(dǎo)致偽標(biāo)簽質(zhì)量下降，網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確性停止提升而模型自身無法察覺。雖然已有Sohn等[10]基于一致性正則化思想生成偽標(biāo)簽的方法，以及Zhang等[11]提出的圖像混類增強(qiáng)算法，但依然需要更有效的方法來克服偽標(biāo)簽難以隨網(wǎng)絡(luò)訓(xùn)練有效更新以及提升網(wǎng)絡(luò)訓(xùn)練效果等問題。針對(duì)上述問題，本章節(jié)提出一種隨機(jī)混合的偽標(biāo)簽生成方法，由兩個(gè)獨(dú)立且不同的解碼器進(jìn)行，分別為分割主解碼分支和分割輔助解碼分支。兩者的基礎(chǔ)框架均采用U-Net的解碼器，不同的是，分割輔助解碼分支的每個(gè)解碼分支都加入了Dropout層[12]用于擾動(dòng)，從而產(chǎn)生強(qiáng)干擾的輔助分割預(yù)測(cè)[Yaux]。隨后，與分割主解碼分支生成的未受強(qiáng)干擾影響的分割預(yù)測(cè)[Yseg]進(jìn)行隨機(jī)結(jié)合，生成偽標(biāo)簽。具體公式如下：[PSL=argmaxλYseg+1-λYaux]（1）公式（1）表示將主分割預(yù)測(cè)與輔助分割預(yù)測(cè)加權(quán)混合后，取最大概率類別，生成偽標(biāo)簽。其中，[λ]為[0，1]區(qū)間的隨機(jī)數(shù)，每次迭代[λ]都會(huì)隨機(jī)生成一個(gè)新的數(shù)，通過該方法可以篩選出網(wǎng)絡(luò)預(yù)測(cè)中最大概率值對(duì)應(yīng)的classID，從而保證每次混合都能夠生成一個(gè)較為理想的結(jié)果。同時(shí)，Scribble通過最小化部分交叉熵?fù)p失直接訓(xùn)練CNN。因此，本結(jié)構(gòu)可以克服傳統(tǒng)偽標(biāo)簽生成后不會(huì)隨網(wǎng)絡(luò)訓(xùn)練而更新的固有缺陷，因?yàn)檩o助分割分支與主分割分支為兩個(gè)獨(dú)立的解碼器，輔助分割預(yù)測(cè)[Yaux]可以持續(xù)地為主分割分支提供一定的更正。而[PLseg]由兩個(gè)輸出集成生成，但只須訓(xùn)練兩個(gè)解碼器，無須訓(xùn)練兩個(gè)網(wǎng)絡(luò)。為了從Scribble中學(xué)習(xí)，通過部分交叉熵?fù)p失（pCE）進(jìn)行監(jiān)督，該損失僅考慮已標(biāo)注像素的梯度進(jìn)行反向傳播，忽略未標(biāo)注像素。同時(shí)，利用兩路預(yù)測(cè)生成偽標(biāo)簽，以提供比Scribble更充分、更可靠的監(jiān)督信號(hào)。最后，將Scribble監(jiān)督與偽標(biāo)簽監(jiān)督結(jié)合，實(shí)現(xiàn)分割網(wǎng)絡(luò)的端到端訓(xùn)練。1.4損失函數(shù)損失函數(shù)作為計(jì)算標(biāo)簽與模型輸出差異的函數(shù)，極大地影響深度網(wǎng)絡(luò)的學(xué)習(xí)效果。損失函數(shù)需要將計(jì)算所得的損失值回傳至模型，從而促使網(wǎng)絡(luò)自我優(yōu)化。一般而言，損失函數(shù)的選取會(huì)根據(jù)需求類型及應(yīng)用環(huán)境的不同而有所區(qū)別。針對(duì)本章網(wǎng)絡(luò)所涉及的兩類標(biāo)簽（分割偽標(biāo)簽[PLseg]，邊界偽標(biāo)簽[PLboun]），提出如下?lián)p失函數(shù)：[Lboun]為邊界損失，用于衡量生成的邊界偽標(biāo)簽與邊界預(yù)測(cè)之間的誤差。[w]，[h]表示邊界偽標(biāo)簽[PLboun]像素級(jí)的長和寬，[Yboun]表示邊界先驗(yàn)輔助解碼分支的邊界預(yù)測(cè)。[Lboun=i=1wj=1hPLboun-Yboun2]（2）生成的分割偽標(biāo)簽[PLseg]會(huì)分別與分割預(yù)測(cè)[Yseg]和輔助分割預(yù)測(cè)[Yaux]計(jì)算損失函數(shù)，[CE]表示交叉熵?fù)p失，具體損失函數(shù)為：[LPLseg=CEYseg，PLseg+CEYaux，PLseg]（3）而分割預(yù)測(cè)[Yseg]僅與scribble標(biāo)識(shí)區(qū)域計(jì)算損失函數(shù)，而非整張圖，scribble區(qū)域的局部損失函數(shù)為：[Lscri=i∈wmlog（Ysegi）+i∈wmlog（Yauxi）]（4）式中：m為one-hot編碼的scribble標(biāo)識(shí)區(qū)域，是像素i屬于道路的預(yù)測(cè)概率。[wm]是scribble標(biāo)記像素的集合。綜上所述，本研究的總損失函數(shù)定義為（5）式：[Lfinal=αLboun+γLscri+LPLseg]（5）式中：[α]為平衡分割損失和邊界損失的系數(shù)，[γ]為平衡Scribble和偽標(biāo)簽監(jiān)督的權(quán)重因子。2實(shí)驗(yàn)與分析2.1數(shù)據(jù)集為評(píng)估模型性能，選用公開無人機(jī)遙感數(shù)據(jù)集CHN6-CUG。該數(shù)據(jù)集由URSmart課題組聯(lián)合谷歌地球構(gòu)建，覆蓋中國典型城鄉(xiāng)區(qū)域，包含4511幅512×512像素的遙感影像，其中3608幅用于訓(xùn)練，903幅用于測(cè)試。所有圖像均包含道路/非道路的像素級(jí)標(biāo)注，但訓(xùn)練集僅提供道路中心線的Scribble標(biāo)注，而非精確標(biāo)注整張圖片。該方法相比精確的像素級(jí)標(biāo)注極大地節(jié)省了人力成本，但也帶來了較多噪聲和不確定性。標(biāo)注實(shí)例如圖（2）所示：Scribble標(biāo)注呈現(xiàn)兩個(gè)顯著特征：1）線性稀疏標(biāo)注：標(biāo)注者僅沿道路中心線繪制寬度3～5像素的連續(xù)筆觸，覆蓋不足實(shí)際道路面積的20%；2）幾何變形容忍：允許標(biāo)注線存在局部彎曲偏移，以適應(yīng)道路實(shí)際走向。2.2模型參數(shù)及訓(xùn)練過程實(shí)驗(yàn)環(huán)境配置如表1所示：選用Kaiming均勻分布初始化方法，同時(shí)通過固定隨機(jī)種子以保證可重復(fù)性，便于后期進(jìn)行對(duì)比實(shí)驗(yàn)。訓(xùn)練配置為：Adam（0.001）/epochs=100/batch_size=4，α=[γ]=0.5，[λ]～U（0，1）。訓(xùn)練時(shí)的損失變化曲線如圖3所示?？梢钥吹綋p失值在第40輪后逐漸收斂至0.2水平。采用四個(gè)核心指標(biāo)評(píng)估模型性能（符號(hào)定義如式（6）～（9）所示）：精確率（Precision，P）：正確預(yù)測(cè)的道路像素占所有預(yù)測(cè)道路像素比例：[P=TP/（TP+FP）]（6）召回率（Recall，R）：正確預(yù)測(cè)的道路像素占實(shí)際道路像素比例：[R=TP/（TP+FN）]（7）F1分?jǐn)?shù)（F1-Score）：P與R的調(diào)和平均數(shù)：[F1=2PR/（P+R）]（8）交并比（IoU）：預(yù)測(cè)與真實(shí)道路區(qū)域交集與并集之比：[IoU=TP/（TP+FP+FN）]（9）其中，TP（TruePositive）為正確預(yù)測(cè)道路像素?cái)?shù)，F(xiàn)P（FalsePositive）為誤報(bào)的非道路像素?cái)?shù)，F(xiàn)N（FalseNegative）為漏檢的道路像素?cái)?shù)。F1與交并比（IoU）通過綜合考慮精確率P、召回率R兩個(gè)指標(biāo)，可以有效克服單一指標(biāo)可能帶來的偏倚問題，更全面地反映模型的分割性能。2.3實(shí)驗(yàn)結(jié)果分析為系統(tǒng)評(píng)估模型性能，在相同實(shí)驗(yàn)條件下，將本方法與五類經(jīng)典弱監(jiān)督方法進(jìn)行了對(duì)比：BoxSup[13]：基于邊界框標(biāo)注生成偽標(biāo)簽的弱監(jiān)督框架。ScribbleSup[4]：首個(gè)融合Scribble標(biāo)注與CRF優(yōu)化的弱監(jiān)督分割方法。BPG[14]：引入邊界感知損失的Scribble監(jiān)督網(wǎng)絡(luò)。WSOD[15]：結(jié)合弱監(jiān)督目標(biāo)檢測(cè)的級(jí)聯(lián)分割模型。WeaklyOSM[16]：利用OpenStreetMap地理信息輔助訓(xùn)練的最新方法。如表2所示，本方法在CHN6-CUG數(shù)據(jù)集上的交并比（IoU，50.11%）和F1分?jǐn)?shù)（62.16%）均顯著優(yōu)于上述基準(zhǔn)模型。尤其是在復(fù)雜路網(wǎng)場(chǎng)景下，由于引入了邊界先驗(yàn)?zāi)K，Recall提升了4.72%，進(jìn)一步驗(yàn)證了多尺度特征融合與邊界信息建模的有效性。2.4消融實(shí)驗(yàn)本節(jié)基于CHN6-CUG數(shù)據(jù)集進(jìn)行各種消融研究，包括：1）損失函數(shù)部分；2）邊界檢測(cè)。1）為驗(yàn)證不同損失函數(shù)對(duì)模型分割精度的影響，針對(duì)損失函數(shù)進(jìn)行如下消融實(shí)驗(yàn)，在保證網(wǎng)絡(luò)其他配置一致的情況下，損失函數(shù)依次設(shè)置為：（A）僅使用分割損失、（B）使用分割損失和Scribble標(biāo)識(shí)損失，以及（C）三者聯(lián)合。實(shí)驗(yàn)結(jié)果如表3所示，模型所采用的損失函數(shù)取得了50.11%的交并比、74.58%的準(zhǔn)確率、62.16%的F1分?jǐn)?shù)以及67.54%的召回率。本文提出的整合損失函數(shù)獲得了更優(yōu)的評(píng)估結(jié)果，這也表明，單一損失函數(shù)在復(fù)雜數(shù)據(jù)集上無法取得優(yōu)于復(fù)合損失函數(shù)的效果。2）邊界偽標(biāo)簽生成組件能夠提供經(jīng)過優(yōu)化的邊緣細(xì)節(jié)，同時(shí)減少誤報(bào)數(shù)量，從而輔助分割。邊界先驗(yàn)輔助解碼分支需要將高分辨率預(yù)測(cè)的清晰邊緣與更穩(wěn)健、低分辨率的特征相結(jié)合，以更正前者的誤報(bào)。該分支生成的邊界預(yù)測(cè)受邊界偽標(biāo)簽的監(jiān)督，而邊界偽標(biāo)簽的質(zhì)量決定了網(wǎng)絡(luò)最終的分割精度。為此，我們將所用的邊界偽標(biāo)簽生成組件HED與傳統(tǒng)邊界生成算法Canny、Sobel進(jìn)行比較，結(jié)果如表4所示。HED的檢測(cè)結(jié)果略優(yōu)于Sobel和Canny，這得益于其端到端的深度網(wǎng)絡(luò)架構(gòu)，能夠通過多尺度卷積特征融合，同時(shí)捕捉從局部邊緣到語義輪廓的層次化特征表達(dá)。針對(duì)弱監(jiān)督道路提取中偽標(biāo)簽靜態(tài)更新與邊緣誤報(bào)的共性問題，本文提出一種基于Scribble和邊界先驗(yàn)的弱監(jiān)督道路提取方法。主要貢獻(xiàn)包括：1）構(gòu)建邊界先驗(yàn)輔助模塊，有效抑制復(fù)雜場(chǎng)景下的邊緣誤報(bào)現(xiàn)象；2）提出動(dòng)態(tài)偽標(biāo)簽生成機(jī)制，通過雙解碼器擾動(dòng)策略突破傳統(tǒng)靜態(tài)偽標(biāo)簽的迭代局限性；3）建立聯(lián)合優(yōu)化框架，在CHN6-CUG數(shù)據(jù)集上實(shí)現(xiàn)50.11%的交并比與62.16%的F1分?jǐn)?shù)，較現(xiàn)有最優(yōu)方法（WeaklyOSM）分別提升2.84和0.42個(gè)百分點(diǎn)。然而，該方法在夜間紅外影像和10K×10K超大分辨率影像場(chǎng)景中表現(xiàn)受限。未來工作將探索光照不變性特征增強(qiáng)與分塊并行計(jì)算策略，以拓展方法在全天候、大尺度遙感場(chǎng)景的適用性。[1]魏瑤.基于深度學(xué)習(xí)的高分辨率遙感影像道路提取研究[D].武漢：武漢大學(xué)，2021.[2]SHELHAMERE，LONGJ，DARRELLT.Fullyconvolutionalnetworksforsemanticsegmentation[C]//IEEETransactionsonPatternAnalysisandMachineIntelligence.May24，2016，IEEE，2017：640-651.[3]LIND，DAIJF，JIAJY，etal.ScribbleSup：scribble-supervisedconvolutionalnetworksforsemanticsegmentation[C]//2016IEEEConferenceonComputerVisionandPatternRecognition（CVPR）.June27-30，2016，LasVegas，NV，USA.IEEE，2016：3159-3167.[4]TANGM，DJELOUAHA，PERAZZIF，etal.Normalizedcutlossforweakly-supervisedCNNsegmentation[C]//2018IEEE/CVFConferenceonComputerVisionandPatternRecognition.June18-23，2018，SaltLakeCity，UT，USA.IEEE，2018：1818-1827.[5]KAISERJD，WEGNERA，LUCCHIM，etal.Learningaerialimagesegmentationfromonlinemaps[J].IEEETransactionsonGeoscienceandRemoteSensing，2017，55（11）：6054-6068.[6]HUOXY，XIELX，HEJZ，etal.ATSO：asynchronousteacher-studentoptimizationforsemi-supervisedimagesegmentation[C]//2021IEEE/CVFConferenceonComputerVisionandPatternRecognition（CVPR）.June20-25，2021，Nashville，TN，USA.IEEE，2021：1235-1244.[7]CHENLC，PAPANDREOUG，SCHROFFF，etal.RethinkingAtrousConvolutionforSemanticImageSegmentation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2020，42（3）：834-848.[8]XIESN，TUZW.Holistically-nestededgedetection[C]//2015IEEEInternationalConferenceonComputerVision（ICCV）.December7-13，2015，Santiago，Chile.IEEE，2015：1395-1403.[9]ARBELáEZP，MAIREM，F(xiàn)OWLKESC，etal.Contourdetectionandhierarchicalimagesegmentation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2011，33（5）：898-916.[10]SOHNK，BERTHELOTD，LICL，etal.FixMatch：simplifyingsemi-supervisedlearningwithconsistencyandconfidence[EB/OL].2020：2001.07685.https：///abs/2001.07685v2.[11]ZHANGH，CISSEM，DAUPHINYN，etal.Mixup：BeyondEmpiricalRiskMinimization[J/OL].（2017-10-25）[2024-10-01].https：///abs/1710.09412.[12]SRIVASTAVAN，HINTONG，KRIZHEVSKYA，etal.Dropout：asimplewaytopreventneuralnetworksfromoverfitting[J].JournalofMachineLearningResearch，2014，15：1929-1958.[13]DAIJF，HEKM，SUNJ.BoxSup：exp