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以”Robust Deep Neural Networks for Road Extraction from Remote Sensing Images”为题在国际顶尖期刊IEEE Transactions on Geoscience and Remote Sensing上发表关于遥感影像道路提取论文。该刊物是遥感领域的国际顶级期刊，郑州大学为第一作者单位，博士生李盼乐为第一作者，地球科学与技术学院赫晓慧教授为通信作者，田智慧教授为团队带头人。

近年来，地球科学与技术学院与河南省超算中心联合开展了高性能地理计算方向研究。其中，遥感与人工智能的结合是其中一个重要着力点，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与大规模的、精细化标注的训练集。该论文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、植被提取等多个应用场景，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重大的意义。

该成果依托《全球综合观测成果管理及共享服务系统关键技术研究》国家重大专项以及青藏高原第二次科考等重大项目完成相关研究，该论文的发表是我院与超算中心联合的高性能地理计算方向重要成果之一。

文章链接：https://ieeexplore.ieee.org/document/9205593