道路抽出は自律走行システム構築における重要なステップである。道路セグメントの検出は、道路の幅が変動し、画像内で分岐が頻発し、地形や雲、天候などの要因によってしばしば遮蔽されるため、困難である。この問題に対して、単に畳み込みニューラルネットワーク（ConvNet）を用いるだけでは不十分である。なぜなら、ConvNetは画像内の道路セグメント間の遠方依存関係を効率的に捉える能力に欠け、道路の連結性を正確に抽出する上で不可欠な情報が得られないからである。この課題に対処するため、本研究では「空間および相互作用空間グラフ推論モジュール（SPIN）」を提案する。このモジュールは、特徴マップから射影された空間および相互作用空間に基づいて構築されたグラフ上で推論を行うものであり、ConvNetに組み込むことで、空間領域間の依存関係やその他の文脈情報を抽出することができる。空間空間における推論により、異なる空間領域間の関係性を把握し、背景情報の理解を深める。一方、射影された相互作用空間における推論により、画像内に存在する他の地形との明確な境界抽出が可能となり、道路の適切な輪郭化が実現する。その結果、SPINは道路セグメント間の長距離依存関係を効果的に抽出し、他の意味情報を明確に分離して道路を抽出する能力を有する。さらに、複数スケールでSPINのグラフ推論を実行する「SPINピラミッド」も導入し、マルチスケール特徴の抽出を可能にした。本研究では、スタック型アワーガラスモジュールとSPINピラミッドを組み合わせたネットワークを提案し、既存手法と比較して優れた性能を達成した。また、本手法は計算効率が高く、学習時の収束速度を顕著に向上させるため、大規模かつ高解像度の航空画像への適用が現実可能である。コードは以下より公開されている：https://github.com/wgcban/SPIN_RoadMapper.git。