Die Extraktion von Straßen ist ein entscheidender Schritt bei der Entwicklung autonomer Navigationssysteme. Die Erkennung von Straßenabschnitten ist herausfordernd, da diese unterschiedliche Breiten aufweisen, sich im Bild verzweigen und häufig durch Gelände, Wolken oder andere Wetterbedingungen verdeckt sind. Die alleinige Verwendung von Faltungsneuronalen Netzen (ConvNets) für dieses Problem ist ineffektiv, da ConvNets Schwierigkeiten haben, ferne Abhängigkeiten zwischen Straßenabschnitten im Bild zu erfassen – eine Eigenschaft, die für die Ableitung der Straßenkontinuität unerlässlich ist. Um dies zu lösen, schlagen wir ein Spatial and Interaction Space Graph Reasoning (SPIN)-Modul vor, das in ein ConvNet integriert werden kann und graphbasierte Schlussfolgerungen über in den Featurekarten projizierte räumliche und Interaktionsräume ermöglicht. Die Schlussfolgerung im räumlichen Raum erfasst Abhängigkeiten zwischen verschiedenen räumlichen Regionen sowie weiterführende Kontextinformationen. Die Analyse des projizierten Interaktionsraums unterstützt die präzise Abgrenzung von Straßen gegenüber anderen Topographien im Bild. Dadurch kann SPIN langreichweitige Abhängigkeiten zwischen Straßenabschnitten erfassen und Straßen effektiv von anderen semantischen Klassen unterscheiden. Zudem führen wir eine SPIN-Pyramide ein, die SPIN-basierte Graph-Schlussfolgerungen über mehrere Skalen hinweg durchführt, um multiskalare Merkmale zu extrahieren. Wir entwickeln ein Netzwerk, das auf gestapelten Hourglass-Modulen und der SPIN-Pyramide basiert, welches eine bessere Leistung im Vergleich zu bestehenden Methoden erzielt. Darüber hinaus ist unsere Methode rechenzeit-effizient und beschleunigt signifikant die Konvergenzgeschwindigkeit während des Trainings, was sie für die Anwendung auf großflächige, hochauflösende Luftbild-Daten geeignet macht. Der Quellcode ist unter folgender URL verfügbar: https://github.com/wgcban/SPIN_RoadMapper.git.