Обнаружение особенностей дорог на снимках дистанционного зондирования имеет решающее значение для поддержания актуальной и надежной дорожной сети, необходимой для транспорта, планирования чрезвычайных ситуаций и навигации. Несмотря на то, что сверточные нейронные сети показали перспективность в автоматизации этого процесса, существующие методы часто идут на компромисс между точностью и сложностью. Цель данного исследования - разработать точный метод выделения дорог без ущерба для вычислительной эффективности. Мы предлагаем нейронную сеть для семантической сегментации, сочетающую трансферное обучение и U-сетевую архитектуру с минимальной сложностью. Для повышения качества результатов используются методы постобработки. Наш метод достигает оценки F1 0,83 и точности 95,57 %, превосходя другие модели на Массачусетском наборе данных. Этот подход демонстрирует превосходную производительность и меньшую сложность сети по сравнению с существующими методами.