Точні й актуальні дорожні карти мають вирішальне значення для великої кількості застосувань, таких як міське планування, автоматична система навігації транспортних засобів і система моніторингу дорожнього руху. Однак навіть на зображеннях дистанційного зондування з високою роздільною здатністю фон і дороги виглядають схожими через оклюзію дерев і будівель, тому важко точно сегментувати дорожню мережу зі складних фонових зображень. У роботі запропоновано алгоритм, заснований на глибокому навчанні, для сегментації дорожньої мережі із зображень дистанційного зондування. Цей алгоритм семантичної сегментації було розроблено з модифікованою UNet. Через меншу доступність зображень дистанційного зондування для семантичної сегментації використовувався метод доповнення даних. Спочатку мережа семантичної сегментації була навчена більшою кількістю навчальних зразків з використанням традиційної архітектури UNet. Після цього кількість навчальних зразків поступово зменшується та вимірюється продуктивність традиційної моделі UNet. Ця базова модель UNet дає кращий результат у вигляді точності, IOU, оцінки DICE та візуалізації зображення для 362 навчальних зразків. Ідея полягає в тому, щоб просто отримати дані про дороги із зображень дистанційного зондування. Як наслідок, на відміну від традиційної UNet, немає потреби в глибшій структурі декодера нейронної мережі. Отже, кількість згорткових шарів у модифікованій UNet менша, ніж у стандартній UNet. Таким чином, було зменшено складність архітектури глибокого навчання та час навчання, необхідний для моделі дорожньої мережі. Продуктивність моделі, виміряна за допомогою об'єднання (IOU), становила 93,71 %, а середній час сегментації одного зображення становив 0,28 секунди. Результати показали, що модифікована UNet може ефективно сегментувати дорожню мережу на основі зображень дистанційного зондування з ідентичним фоном. Його можна використовувати в різних ситуаціях.