近日，地球科学与技术学院与河南省超算中心高性能地理计算团队联合开展了研究，并在高性能地理计算方向取得积极进展，相关研究成果以题为“Robust Deep Neural Networks for Road Extraction from Remote Sensing Images”的学术论文，发表在国际顶尖期刊IEEE Transactions on Geoscience and Remote Sensing上。郑州大学为第一作者单位，博士生李盼乐为第一作者，赫晓慧教授为通讯作者。

遥感与人工智能的结合是高性能地理计算方向的一个重要着力点，深度神经网络（Deep Neural Network, DNN）为遥感影像道路提取提供了一种新的技术手段，获得了广泛关注。然而，深度学习模型的性能严重依赖于大规模、精细化标注的训练集。该研究通过将深度学习模型与噪声分布模型相结合，提出一种强鲁棒深度神经网络（Robust Deep Neural Network, RDNN）模型，有效克服了训练集中噪声标签对深度学习模型的影响，缓解了深度学习模型对大量像素级、精细标注全监督数据的依赖。该方法可拓展应用于包括建筑物提取、土地利用类型分类、植被提取等多个场景，从而全方位提升遥感数据的自动化处理和分析能力，对深度学习模型产业化具有积极意义。

文章链接：https://ieeexplore.ieee.org/document/9205593郑州大学版权所有，禁止非法转载！2020-11-13 11:09:39