近日，地球科學與技術學院田智慧教授遙感與地理計算團隊在道路智能提取方面取得新進展，其成果分別以題為“Exploring Label Probability Sequence to Robustly Learn Deep Convolutional Neural Networks for Road Extraction with Noisy Datasets”和“Exploring Multiple Crowdsourced Data to Learn Deep Convolutional Neural Networks for Road Extraction”的學術論文，發表在遙感領域頂級期刊《IEEE Transactions on Geoscience and Remote Sensing》和地學領域頂級期刊《International Journal of Applied Earth Observation and Geoinformation》之上。其中，鄭州大學為第一作者單位，博士生李盼樂為第一作者，地球科學與技術學院赫曉慧教授為通信作者。

道路信息在城市規劃、市民出行、交通管理等應用中發揮著極其重要的作用。近年來，隨著遙感技術和深度學習技術的發展，利用深度卷積神經網絡開展高分辨率遙感影像道路提取任務迅速成為研究熱點。該成果充分利用模型后驗信息、多源眾包道路矢量數據，構建了序列深度學習方法和多標簽整合模型，有效提高了深度道路提取模型的標簽噪聲魯棒性，促進了深度學習技術在遙感影像智能化解譯中的應用。同時，改成果選取了鄭州市市區作為研究區域，實驗結果表明該研究可實現大規模道路信息的高效、準確提取，并可拓展至多個實際應用領域。

該成果依托河南省重大科技專項“面向超算的黃河模擬器構建與服務關鍵技術研究”，是地球科學與技術學院遙感與地理計算方向重要成果之一。

文章鏈接：

https://ieeexplore.ieee.org/document/9615159

https://www.sciencedirect.com/science/article/pii/S0303243421002518