Il rilevamento di caratteristiche stradali da immagini telerilevate è fondamentale per mantenere una rete stradale aggiornata e affidabile, essenziale per i trasporti, la pianificazione delle emergenze e la navigazione. Sebbene le reti neurali convoluzionali si siano dimostrate promettenti nell'automatizzare questo processo, i metodi esistenti spesso scambiano l'accuratezza con la complessità. Questo studio mira a sviluppare un metodo accurato di estrazione delle strade senza sacrificare l'efficienza computazionale. Proponiamo una rete neurale di segmentazione semantica che combina l'apprendimento per trasferimento e l'architettura U-net con una complessità minima. Le tecniche di post-elaborazione sono impiegate per migliorare la qualità dell'output. Il nostro metodo raggiunge un punteggio F1 di 0,83 e un'accuratezza del 95,57%, superando altri modelli sul set di dati del Massachusetts. Questo approccio dimostra prestazioni superiori e una ridotta complessità della rete rispetto ai metodi esistenti.