FCN：
GAN
GAN网络：
1.Unet-gan
2.FCN+GAN
FPN（Featured Pyramid Networks特征金字塔网络）
DenseNet+LAU+GAU
Paper：
Road Extraction from High-Resolution Remote Sensing Imagery Using Deep Learning
Architecture:
LAU 旨在融合不同尺度的特征图，并从 DenseNet 的深层关注像素级信息。 为了提高 LAU 从不同尺度特征图中提取信息的性能，本文应用了四种不同的卷积操作，内核大小为 1×1、3×3、5×5、7×7。这些特征由 LAU 集成 以逐步的方式从下到上（图 2），通过这种方式，可以精确地结合来自相邻尺度的上下文信息。 在 LAU 的顶部，1×1 卷积被设计为逐像素乘以从底部卷积操作中提取的特征信息。 金字塔结构融合不同尺度信息，而逐像素乘法可以更好地提取局部像素级信息用于道路提取。
GAU
SegNet
Pooling Indices
上采样，顾名思义就是池化的反向处理。但是在上采样当中存在着一个不确定性，即一个1x1的特征点经过上采样将会变成一个2x2特征区域，这个区域中的某个1x1区域将会被原来的1x1特征点取代，其他的三个区域为空。但是哪个1x1区域会被原特征点取代呢？一个做法就是随机将这个特征点分配到任意的一个位置，或者干脆给它分配到一个固定的位置。但是这样做无疑会引入一些误差，并且这些误差会传递给下一层。层数越深，误差影响的范围也就越大。所以把1x1特征点放到正确的位置至关重要.
在Encoder的池化层处理中，会记录每一个池化后的1x1特征点来源于之前的2x2的哪个区域，在这个信息在论文中被称为Pooling Indices。Pooling Indices会在Decoder中使用。既然SegNet是一个对称网络，那么在Decoder中需要对特征图进行上采样的时候，我们就可以利用它对应的池化层的Pooling Indices来确定某个1x1特征点应该放到上采样后的2x2区域中的哪个位置。此过程的如下图所示。
RSRCNN
在交叉熵损失中引入道路结构的几何信息，提出了一种新的损失函数，称为基于道路结构的损失函数。
