近日，学校长白山历史文化与VR技术重构吉林省重点实验室、计算机科学与技术学院与英国兰卡斯特大学环境中心合作的研究成果在遥感应用领域国际顶级期刊《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》（中科院一区，影响因子11.774）上发表。
论文以“Simplified object-based deep neural network for very high resolution remote sensing image classification”为题，作者为潘欣等。

图1 论文截图
目前，大多数利用卷积神经网络（CNN）的面向对象的方法采用额外的模型来克服这种异质性内容的不利影响。然而，这些异质性抑制机制为整个分类过程引入了额外的复杂性，而且这些方法通常不稳定，很难在实际应用中使用。为了解决上述问题，论文对于异质性和其对于深度分类过程的不利影响进行了深入讨论（图2），提出了一种简化的基于对象的深度神经网络SO-DNN（图3），用于高分辨率遥感图像分类，且更具实际应用价值。

图2 异质性对于传统架构CNN面向对象分类的不利影响

图3 SO-DNN的处理流程