應用深度學習於高解析度衛星影像路網擷取

專案經理 ：呂紹銘

是否同意遠距 ：否

道路網路是城市基礎建設中最基本的組成之一，在促進經濟發展以及提升居民生活品質方面扮演關鍵角色。準確地擷取道路資訊並建立完整道路地圖在多個領域中皆具有重要的應用價值，包括都市規劃、交通監測、災害緊急應變以及環境監測。高解析度衛星影像因能捕捉更細緻的特徵細節而受到廣泛的運用。然而，光學影像的道路區域常被周圍物體遮蔽，例如車輛、建築物與樹木，這些遮蔽物使道路區域的辨識更為複雜。早期研究聚焦在基於形態特徵或人工特徵的擷取方法，這些方法通常消耗大量時間與資源成本，對人工分析的依賴也限制了擷取的準確性。

近年來，隨著電腦視覺的快速發展，利用深度學習的方法持續突破，使道路擷取的技術、精度與效率取得顯著進展。現有深度學習方法高度依賴大量且精確的標註資料，例如像素級（pixel-based）道路分割標籤，此類資料通常不容易取得。並且由於標註全新道路及更新既有道路的標籤往往是高度勞力密集且時間成本高昂的工作。在災害發生後，由於時效性的需求使這類問題進一步加劇。在此背景下，近幾年研究逐漸由全監督學習（fully supervised learning），擴展至半監督學習（semi-supervised learning）及非監督學習（unsupervised learning）等方向。這些方法的核心目標，在於降低對精確人工標註的依賴，並更有效利用少量標註資料學習跨區域資料之間的潛在共通特徵。例如，透過GAN等對抗式學習（adversarial learning）方法運用少量標註資料與大量未標註資料進行訓練，取得道路路網資料並進一步縮小訓練域與測試域之間的分布差異（圖一），改善模型在未見資料上的泛化表現。

本研究旨探討在災害情境下透過半監督學習及非監督學習的方法，運用對抗式學習與跨域適應策略提升高解析度衛星影像中道路網路擷取的準確性與穩健性。相較於一般道路分割僅著重於道路區域的像素辨識，本研究更強調道路網路的整體連續性、連通性與可應用性，期望模型不僅能辨識道路位置，亦能保留路網結構資訊，以支援後續的災害應變分析，也能為災後救援路線規劃、緊急物資配送、交通中斷分析等任務提供更具時效性與可靠性的技術支援。