航拍图像与众包轨迹相遇：一种鲁棒道路提取的新方法

地表遥感分析是地球科学领域的一项关键研究方向。本文聚焦于地表分析中一项具有挑战性的任务——从遥感数据中自动提取交通道路，该技术在城市发展规划与扩张估算中具有广泛应用。然而，传统方法通常仅利用航空影像的有限信息，或简单融合多模态数据（如车辆轨迹），难以有效识别复杂场景下的非受限道路。为解决这一问题，本文提出一种新型神经网络框架——跨模态信息传播网络（Cross-Modal Message Propagation Network, CMMPNet），充分挖掘并利用不同模态数据（即航空影像与众源轨迹数据）之间的互补性。具体而言，CMMPNet由两个针对特定模态的深度自编码器构成，用于模态专属表征学习，并引入一个专门设计的双增强模块，实现跨模态表征的精细化优化。该模块能够全面提取各模态的互补信息，并动态传播至另一模态，从而增强整体表征能力。在三个真实世界基准数据集上的大量实验结果表明，CMMPNet通过融合多源异构数据（无论是影像与轨迹数据，还是影像与激光雷达数据），在鲁棒性道路提取任务中表现出显著优势。实验结果进一步显示，所提出方法在各项指标上均大幅超越当前最先进的技术。项目源代码已开源，可访问项目主页获取：http://lingboliu.com/multimodal_road_extraction.html。