Die Extraktion von Straßen aus Luftbildern ist ein aktuelles Forschungsthema im Bereich der Analyse von Fernerkundungsdaten. In diesem Brief wird ein semantisches Segmentierungsneuronales Netzwerk vorgeschlagen, das die Stärken des Residual Learning und des U-Net kombiniert, um Straßengebiete zu extrahieren. Das Netzwerk wird mit Residual Units aufgebaut und hat eine ähnliche Architektur wie das U-Net. Die Vorteile dieses Modells sind zweifach: Erstens erleichtern Residual Units das Training tiefer Netzwerke. Zweitens können die reichhaltigen Skip Connections innerhalb des Netzwerks die Informationsverbreitung fördern, was es uns ermöglicht, Netzwerke mit weniger Parametern, aber besserer Leistung zu entwerfen. Wir testen unser Netzwerk an einem öffentlichen Straßendatensatz und vergleichen es mit dem U-Net sowie zwei weiteren aktuellen tiefen Lernalgorithmen zur Straßensextraktion. Der vorgeschlagene Ansatz übertrifft alle vergleichenden Methoden, was seine Überlegenheit gegenüber neuesten Entwicklungen in den state-of-the-art-Methoden demonstriert.