近日，地球科學(xué)與技術(shù)學(xué)院與河南省超算中心高性能地理計(jì)算團(tuán)隊(duì)聯(lián)合開(kāi)展了研究，并在高性能地理計(jì)算方向取得積極進(jìn)展，相關(guān)研究成果以題為“Robust Deep Neural Networks for Road Extraction from Remote Sensing Images”的學(xué)術(shù)論文，發(fā)表在國(guó)際頂尖期刊IEEE Transactions on Geoscience and Remote Sensing上。鄭州大學(xué)為第一作者單位，博士生李盼樂(lè)為第一作者，赫曉慧教授為通訊作者。

遙感與人工智能的結(jié)合是高性能地理計(jì)算方向的一個(gè)重要著力點(diǎn)，深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network, DNN）為遙感影像道路提取提供了一種新的技術(shù)手段，獲得了廣泛關(guān)注。然而，深度學(xué)習(xí)模型的性能?chē)?yán)重依賴(lài)于大規(guī)模、精細(xì)化標(biāo)注的訓(xùn)練集。該研究通過(guò)將深度學(xué)習(xí)模型與噪聲分布模型相結(jié)合，提出一種強(qiáng)魯棒深度神經(jīng)網(wǎng)絡(luò)（Robust Deep Neural Network, RDNN）模型，有效克服了訓(xùn)練集中噪聲標(biāo)簽對(duì)深度學(xué)習(xí)模型的影響，緩解了深度學(xué)習(xí)模型對(duì)大量像素級(jí)、精細(xì)標(biāo)注全監(jiān)督數(shù)據(jù)的依賴(lài)。該方法可拓展應(yīng)用于包括建筑物提取、土地利用類(lèi)型分類(lèi)、植被提取等多個(gè)場(chǎng)景，從而全方位提升遙感數(shù)據(jù)的自動(dòng)化處理和分析能力，對(duì)深度學(xué)習(xí)模型產(chǎn)業(yè)化具有積極意義。

文章鏈接：https://ieeexplore.ieee.org/document/9205593鄭州大學(xué)版權(quán)所有，禁止非法轉(zhuǎn)載！2020-11-13 11:09:39