遥感影像深度学习智能解译与识别PDF电子书下载
其他书籍
- 作 者：焦李成
- 出 版 社：
- 出版年份：2019
- ISBN：
- 页数：0 页
图书介绍： 查看图书目录点击购买PDF全本电子书 上一篇：我们内心的“坏东西”下一篇：千秋 《遥感影像深度学习智能解译与识别》目录 标签：解译 遥感 深度 识别 影像
第一部分 SAR图像分类与变化检测3
第1章 基于DC-ResNet的SAR图像目标分类3
1.1 引言3
1.2 深度残差网络基础3
1.2.1 非线性激活函数4
1.2.2 Dropout操作4
1.2.3 批规范化5
1.2.4 全局均值池化6
1.2.5 跳跃连接6
1.3 基于DC-ResNet的SAR图像目标分类7
1.3.1 可变形卷积核7
1.3.2 可变形卷积残差模块8
1.3.3 DC-ResNet模型9
1.4 实验结果与分析10
1.4.1 实验数据10
1.4.2 实验环境13
1.4.3 实验结果分析13
本章小结24
参考文献24
第2章 脊波反卷积结构学习模型27
2.1 引言27
2.2 反卷积结构模型28
2.2.1 经典的反卷积神经网络28
2.2.2 构造反卷积结构模型的前期实验28
2.2.3 反卷积结构模型的构造29
2.2.4 反卷积结构模型的训练过程32
2.3 脊波反卷积结构学习模型35
2.3.1 模型的构造35
2.3.2 模型的训练37
2.4 混合聚集结构地物像素子空间的SAR图像分割39
2.4.1 算法描述39
2.4.2 实验仿真与分析40
本章小结47
参考文献48
第3章 基于改进帧差法与YOLO深度网络的遥感影像目标检测51
3.1 引言51
3.2 帧间差分法52
3.2.1 帧间差分法原理52
3.2.2 改进帧间差分法52
3.3 YOLO深度网络53
3.3.1 YOLO网络的思想与原理53
3.3.2 YOLO网络损失函数的设计54
3.3.3 YOLO网络的优势55
3.4 基于改进帧差法和YOLO深度网络的遥感影像目标检测56
3.4.1 实验数据准备及预处理56
3.4.2 基于改进帧差法的遥感影像运动目标检测58
3.4.3 基于高分辨YOLO深度网络的遥感影像目标检测59
3.5 实验结果与分析62
3.5.1 参数设置62
3.5.2 结果与分析62
本章小结65
参考文献66
第4章 基于多尺度跳跃型卷积网络的SAR图像变化检测69
4.1 引言69
4.2 密集型卷积网络70
4.3 多尺度跳跃型卷积网络72
4.3.1 多尺度跳跃型卷积网络72
4.3.2 基于多尺度跳跃型卷积网络的SAR图像变化检测73
4.4 实验结果与分析74
4.4.1 邻域尺寸的选择74
4.4.2 多尺度跳跃型卷积网络的性能78
本章小结82
参考文献82
第5章 基于SPP Net的SAR图像变化检测86
5.1 引言86
5.2 无监督方法的SAR图像变化检测86
5.2.1 深度置信网络87
5.2.2 模糊C均值聚类算法90
5.2.3 基于DBN和FCM的SAR图像变化检测91
5.3 空间金字塔池化网络92
5.4 基于SPP Net的SAR图像变化检测94
5.4.1 SPP Net感兴趣区域检测网络的构造94
5.4.2 SPP Net感兴趣区域检测样本的选择96
5.4.3 训练过程97
5.5 实验结果与参数分析98
5.5.1 数据集98
5.5.2 基于DBN和FCM的SAR图像变化检测仿真实验101
5.5.3 参数化分析102
5.5.4 基于SPP Net的SAR图像变化检测仿真实验104
本章小结116
参考文献117
第6章 基于自步学习和对称卷积耦合网络的SAR图像变化检测120
6.1 卷积神经网络120
6.2 SPLPSO算法121
6.2.1 粒子群优化算法121
6.2.2 年龄参数对自步学习的影响分析122
6.2.3 SPLPSO模型构造123
6.3 SCCN网络127
6.3.1 网络结构127
6.3.2 网络的学习优化128
6.4 基于自适应自步学习和SCCN的SAR图像变化检测129
6.4.1 算法的基本框架129
6.4.2 SPL-SCCN理论分析130
6.4.3 自步学习训练模型131
6.5 实验结果与分析131
本章小结137
参考文献137
第7章 基于多层特征SENet的SAR图像目标分类方法140
7.1 引言140
7.2 数据增强140
7.3 SENet网络141
7.3.1 Inception模块141
7.3.2 残差模块143
7.3.3 Squeeze-and-excitation网络143
7.3.4 全局平均池化144
7.4 基于多层特征SENet的SAR图像目标分类145
7.4.1 训练数据集的获取及扩充145
7.4.2 分类网络模型145
7.5 实验结果与分析147
本章小结166
参考文献166
第二部分 极化SAR图像分类与变化检测171
第8章 基于GAN网络的极化SAR影像分类171
8.1 引言171
8.2 GAN最新进展172
8.3 面向任务的生成对抗网络173
8.3.1 模型框架174
8.3.2 极化SAR数据的生成对抗网（G-Net）174
8.3.3 判别网络（D-Net）176
8.3.4 任务网络（T-Net）176
8.4 实验分析179
本章小结184
参考文献184
第9章 基于阶梯网络模型的极化SAR影像分类187
9.1 引言187
9.2 基于图的半监督学习算法187
9.2.1 半监督学习假设187
9.2.2 基于图的半监督学习框架188
9.3 Wishart距离测度189
9.4 梯形网络原理189
9.4.1 降噪自动编码器190
9.4.2 梯形网络结构191
9.5 基于Wishart梯形网络的极化SAR地物分类194
9.5.1 构造Wishart图正则194
9.5.2 Wishart梯形网络196
9.5.3 基于Wishart梯形网络的极化SAR地物分类196
9.6 实验结果与分析197
9.6.1 荷兰Flevoland地区L波段农田小图实验结果198
9.6.2 美国San Francisco地区数据子图实验结果203
9.6.3 荷兰Flevoland地区L波段农田图像实验结果207
9.6.4 荷兰Flevoland地区L波段农田大图211
本章小结213
参考文献214
第10章 基于Wishart深度堆栈网络的极化SAR影像分类216
10.1 引言216
10.2 从极化SAR数据到神经网络设计217
10.2.1 Wishart距离217
10.2.2 Wishart网络219
10.3 Wishart深度堆栈网络223
10.3.1 深度堆栈网络223
10.3.2 构建W-DSN224
10.3.3 W-DSN分析226
10.4 实验分析226
10.4.1 传统算法与快速算法的比较227
10.4.2 WN的有效性227
10.4.3 W-DSN的有效性231
10.4.4 W-DSN与传统DSN算法比较233
10.4.5 综合评价234
本章小结236
参考文献237
第11章 基于复数轮廓波卷积神经网络的极化SAR影像分类239
11.1 复数卷积神经网络239
11.2 复数轮廓波卷积神经网络的设计及数学分析241
11.2.1 复数轮廓波卷积神经网络的框架设计241
11.2.2 复数轮廓波卷积神经网络的数学分析242
11.3 基于复数轮廓波卷积神经网络的极化SAR图像分类算法244
11.4 实验条件以及实验结果分析245
11.4.1 Flevoland数据集245
11.4.2 San Francisco Bay数据集248
11.4.3 Germany数据集249
本章小结250
参考文献251
第12章 基于加权卷积神经网络与主动学习的极化SAR影像分类253
12.1 卷积神经网络253
12.2 基于加权卷积神经网络的主动学习算法254
12.3 极化SAR影像分类256
12.3.1 PolSAR数据集FN15256
12.3.2 PolSAR数据集SU5261
本章小结264
参考文献264
第13章 基于多尺度深度Directionlet网络的极化SAR图像分类267
13.1 多尺度卷积神经网络267
13.2 基于多尺度深度方向波网络的极化SAR图像分类267
13.3 实验结果与分析269
13.3.1 实验环境与数据269
13.3.2 Flevoland数据集270
13.3.3 Germany数据集272
13.3.4 San Francisco数据集275
本章小结278
参考文献278
第14章 基于局部受限卷积神经网络的极化SAR影像变化检测280
14.1 引言280
14.2 局部受限卷积神经网络281
14.2.1 任务描述281
14.2.2 基于CNN的变化检测283
14.2.3 构建LRCNN284
14.3 LDls和DELDIs286
14.3.1 数据分析286
14.3.2 构建层次差异图LDI287
14.3.3 构建DELDI288
14.4 学习策略291
14.4.1 CNN训练分析291
14.4.2 LRCNN训练分析291
14.4.3 训练算法293
14.5 LRCNN与传统变化检测算法对比294
14.6 实验分析296
14.6.1 评价指标297
14.6.2 模拟数据集297
14.6.3 东京数据集306
14.6.4 贵州数据集307
本章小结312
参考文献313
第15章 基于Looking-Around-and-Into网络的极化SAR影像变化检测315
15.1 引言315
15.2 LAaI网络315
15.3 基于LAaI网络的变化检测317
15.3.1 注意力建议卷积自编码网络317
15.3.2 递归卷积神经网络319
15.3.3 学习过程321
15.4 实验分析323
15.4.1 候选区域的选取323
15.4.2 重点区域的多尺度变化检测结果329
本章小结332
参考文献332
第三部分 高光谱影像分类337
第16章 基于胶囊网络的高光谱影像分类337
16.1 普通卷积层337
16.2 Primary Caps层338
16.3 Digit Caps层339
16.3.1 层级间的传播与分配过程339
16.3.2 Dynamic Routing算法341
16.3.3 损失函数341
16.4 重构与表示层341
16.5 基于胶囊网络的高光谱影像分类（HSICC）342
16.5.1 实验设置343
16.5.2 实验结果与分析344
本章小结351
参考文献352
第17章 空谱解耦合双通道卷积神经网络的高光谱影像分类354
17.1 卷积神经网络354
17.1.1 全卷积神经网络354
17.1.2 残差网络355
17.1.3 ROI Align356
17.2 空谱解耦合双通道CNN357
17.2.1 光谱模块357
17.2.2 二维空间卷积神经网络357
17.2.3 整体模型358
17.3 实验结果与分析359
17.3.1 Indian Pines数据集359
17.3.2 Pavia University数据集360
17.3.3 Salinas-A数据集361
本章小结362
参考文献362
第四部分 遥感影像解译描述与分类367
第18章 基于快速区域卷积神经网络的遥感语义描述367
18.1 引言367
18.2 快速区域卷积神经网络367
18.3 基于语义嵌入的快速区域卷积神经网络模型370
18.3.1 基于快速区域卷积神经网络的特征提取370
18.3.2 基于双向循环神经网络的文本特征提取371
18.3.3 基于概率模型的图文匹配373
18.3.4 基于长短时记忆模型的文本预测374
18.4 实验设计与结果分析375
18.4.1 实验设计375
18.4.2 实验结果及分析380
本章小结385
参考文献385
第19章 基于局部响应卷积递归神经网络的遥感语义描述387
19.1 引言387
19.2 视觉响应机制387
19.3 基于局部响应的卷积递归神经网络389
19.3.1 模型结构389
19.3.2 基于局部响应的卷积递归神经网络390
19.4 实验设计与分析392
19.4.1 实验设计392
19.4.2 实验结果与分析394
本章小结397
参考文献398
第20章 语义空间和像素空间信息交互联合推理框架400
20.1 SAR图像相干斑抑制研究现状和研究动机400
20.2 高分辨SAR图像的素描图402
20.2.1 Marr的视觉计算理论402
20.2.2 光学图像的初始素描模型403
20.2.3 初始素描图提取方法405
20.2.4 高分辨SAR图像的素描模型407
20.2.5 高分辨SAR图像素描图提取方法408
20.3 结构区域图及其在SAR图像相干斑抑制中的应用418
20.3.1 高分辨SAR图像的初级视觉语义层418
20.3.2 抑制相干斑任务驱动的结构区域图的产生419
20.3.3 基于几何核函数测度和匀质区域搜索的SAR图像相干斑抑制420
20.4 语义素描图及其在SAR图像相干斑抑制中的应用427
20.4.1 研究动机428
20.4.2 语义素描图中方向信息的传递428
20.4.3 基于几何结构块相似性测度的非局部均值滤波方法429
20.4.4 基于像素分类和自适应邻域搜索的SAR图像相干斑抑制431
参考文献443
相关图书
- 《国际经典影像诊断学丛书 消化影像诊断学 原着第3版》王振常，蒋涛，李宏军，杨正汉译；（美）迈克尔·P.费德勒 2019
- 《近代中国分省人文地理影像采集与研究 甘肃》《近代中国分省人文地理影像采集与研究》编写组 2019
- 《急诊影像诊断学》程晓红责任编辑；（中国）许乙凯 2019
- 《深度学习与飞桨PaddlePaddle Fluid实战》于祥 2019
- 《一带一路非洲东北部区生态环境遥感监测》俞乐 2019
- 《深度说服》（英国）尼克·鲍多克 2019
- 《深度拆解20个经典品牌民宿》严风林着 2019
- 《近代中国分省人文地理影像采集与研究 内蒙古》《近代中国分省人文地理影像采集与研究》编写组 2019
- 《系统故障 诗歌与影像》（中国）梁小曼 2019
- 《袖珍中草药野外识别彩色图本》王义祁，汪荣斌主编 2019
作者其它书籍
- 《匹克吉他自学教程》李成福编着 2017
- 《电吉他》李成福 2018
- 《素食笔记》李成国编着 2019
- 《肝脏移植》焦兴元 2019
- 《木吉他培训三月通 DVD版》李成福 2017
- 《生活垃圾填埋场新型土质覆盖层工程应用和现场试验研究》（中国）焦卫国 2019
- 《电贝斯培训教程》焦鹤，李成福编着；刘传风华监制 2017
- 《遥感影像深度学习智能解译与识别》焦李成 2019
- 《应用文科本科专业教学改革》沈芳，李成彦主编 2019
- 《上市科创板》杨晗之，焦广明责任编辑；赵广君 2019
出版社其它书籍
本类热门
- 1变通 受用一生的学问
- 2额尔古纳河右岸
- 3易经真的很容易
- 4海蒂怀孕大百科 全新第4版
- 5八次危机 中国的真实经验1949-2009
- 6法治的细节
- 7你是你吃出来的
- 8蛤蟆先生的希望
- 9杀死一只知更鸟
- 10天幕红尘
摘要：本文以“遥感影像深度学习智能解译与识别.pdf电子书版文档下载”为中心，详细阐述了遥感影像深度学习智能解译与识别的理论基础、关键技术、应用领域以及发展趋势。通过对该文档的深入分析，旨在为相关领域的研究者和从业者提供有益的参考和指导。
1、理论基础
遥感影像深度学习智能解译与识别的理论基础主要包括遥感影像处理、深度学习以及人工智能等。遥感影像处理技术为深度学习提供了丰富的数据资源，而深度学习则为遥感影像解译提供了强大的计算能力。人工智能技术则使得遥感影像解译与识别更加智能化、自动化。
遥感影像处理技术主要包括图像增强、图像分割、特征提取等。这些技术为深度学习提供了高质量的数据输入，有助于提高解译与识别的准确性。深度学习技术主要包括卷积神经网络（CNN）、循环神经网络（RNN）等。这些技术能够自动从遥感影像中提取特征，并实现高精度的解译与识别。人工智能技术则通过机器学习、自然语言处理等方法，使得遥感影像解译与识别更加智能化。
在理论基础方面，遥感影像深度学习智能解译与识别的研究已经取得了显著的成果。例如，CNN在遥感影像分类、目标检测等方面表现出色；RNN在遥感影像时间序列分析、变化检测等方面具有优势。这些研究成果为遥感影像深度学习智能解译与识别提供了坚实的理论基础。
2、关键技术
遥感影像深度学习智能解译与识别的关键技术主要包括数据预处理、模型选择与优化、结果评估等。数据预处理是提高解译与识别准确性的重要环节，主要包括图像去噪、图像配准、图像裁剪等。模型选择与优化是提高解译与识别性能的关键，主要包括网络结构设计、参数调整、训练策略等。结果评估则是检验解译与识别效果的重要手段，主要包括准确率、召回率、F1值等指标。
数据预处理技术主要包括图像去噪、图像配准、图像裁剪等。图像去噪技术可以有效去除遥感影像中的噪声，提高图像质量。图像配准技术可以将不同时间、不同传感器的遥感影像进行对齐，为深度学习提供统一的数据输入。图像裁剪技术可以将遥感影像裁剪成合适的尺寸，以满足深度学习模型的要求。
模型选择与优化技术主要包括网络结构设计、参数调整、训练策略等。网络结构设计是提高解译与识别性能的关键，需要根据具体任务选择合适的网络结构。参数调整和训练策略则有助于提高模型的泛化能力和鲁棒性。结果评估技术主要包括准确率、召回率、F1值等指标，可以全面评估解译与识别效果。
3、应用领域
遥感影像深度学习智能解译与识别在多个领域具有广泛的应用前景。在农业领域，可以用于作物产量估算、病虫害检测、农田管理等方面。在林业领域，可以用于森林资源调查、森林火灾监测、森林病虫害防治等方面。在环境监测领域，可以用于水质监测、大气污染监测、土地覆盖变化监测等方面。
在农业领域，遥感影像深度学习智能解译与识别可以用于作物产量估算。通过分析遥感影像中的植被指数、土壤湿度等数据，可以预测作物产量，为农业生产提供科学依据。此外，还可以用于病虫害检测和农田管理，提高农业生产效率。
在林业领域，遥感影像深度学习智能解译与识别可以用于森林资源调查。通过对遥感影像的分析，可以了解森林面积、树种分布、生物量等信息，为林业资源管理提供数据支持。同时，还可以用于森林火灾监测和森林病虫害防治，保障森林资源安全。
4、发展趋势
遥感影像深度学习智能解译与识别的发展趋势主要包括以下几个方面：一是数据驱动，即通过海量数据训练深度学习模型，提高解译与识别的准确性；二是模型轻量化，即设计轻量级网络结构，降低计算复杂度，提高实时性；三是多源数据融合，即融合不同类型、不同时间、不同空间尺度的遥感数据，提高解译与识别的全面性和准确性。
数据驱动是遥感影像深度学习智能解译与识别的重要发展趋势。随着遥感数据的不断丰富，深度学习模型可以从中学习到更多有用的特征，提高解译与识别的准确性。模型轻量化则是为了满足实际应用中对实时性的要求。多源数据融合可以充分利用不同类型、不同时间、不同空间尺度的遥感数据，提高解译与识别的全面性和准确性。
此外，遥感影像深度学习智能解译与识别的发展趋势还包括跨学科研究、智能化应用、标准化与规范化等方面。跨学科研究点击联系需要东西方神秘学学习资料，专业的咨询
联系我们
关注公众号
微信扫一扫
支付宝扫一扫
