基于深度學習的高分辨率遙感圖像場景分類

定　價：￥99.00

作　者：	錢曉亮
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121411526	出版時間：	2022-04-01	包裝：
開本：	16開	頁數(shù)：	140	字數(shù)：

內(nèi)容簡介

　　高分辨率遙感圖像場景分類是遙感影像解譯中的一個關(guān)鍵任務(wù)，具有廣泛的應(yīng)用前景。本書介紹了高分辨率遙感圖像場景分類的基本知識和現(xiàn)有的研究方法，并系統(tǒng)總結(jié)了作者在基于深度學習的高分辨率遙感圖像場景分類方面的研究工作。全書共6章，分為4個部分：第一部分（第1章）介紹了高分辨率遙感圖像場景分類的的定義、研究背景和現(xiàn)有研究工作，以及本書的主要內(nèi)容；第二部分（第2章-3章）將特征提取策略和監(jiān)督方式對高分辨率遙感圖像場景分類性能的影響進行了定性分析和定量實驗評估；第三部分（第4章-5章）介紹了兩種不同解決思路的高分辨率遙感圖像場景分類方法來應(yīng)對人工標注成本較高的問題；第四部分（第6章）對本書的主要內(nèi)容進行總結(jié)，并對未來的研究工作進行展望。第2-5章都附有相關(guān)的實驗驗證工作，以便有興趣的讀者進一步鉆研探索。

作者簡介

　　錢曉亮，男，副教授，碩士生導師，2013年畢業(yè)于西北工業(yè)大學自動化學院，獲工學博士學位，目前在鄭州輕工業(yè)大學電氣信息工程學院工作。主要研究方向為人工智能，高分遙感圖像解譯，機器視覺檢測。主持國家自然科學基金面上項目、青年科學基金項目，河南省科技攻關(guān)項目，河南省高等學校重點科研項目等多項縱向科研項目，主持企業(yè)委托的橫向項目3項，到賬金額300余萬元。獲河南省教育廳科技成果獎一等獎、河南省科技進步二等獎和三等獎各1項。作為第一/通訊作者發(fā)表學術(shù)論文24篇，其中SCI論文11篇，EI論文10篇，中文核心論文3篇。授權(quán)發(fā)明專利18項，其中第一發(fā)明人8項，第二發(fā)明人4項。目前是IEEE、中國自動化學會、中國計算機學會、中國圖象圖形學會的會員。擔任IEEE TGRS， IEEE JSTARS， IEEE SPL， Artificial Intelligence Review，Neurocomputing等10余本國際SCI期刊，以及遙感學報、吉林大學學報（工學版）、工程科學學報等國內(nèi)優(yōu)秀EI源期刊的審稿專家。

圖書目錄

第1章緒論\t1
1．1 引言\t1
1．2 國內(nèi)外研究現(xiàn)狀\t3
1．3 本書的主要內(nèi)容\t6
1．3．1 研究動機\t6
1．3．2 研究內(nèi)容\t7
1．4 本書的章節(jié)安排\t10
第2章特征提取策略對場景分類性能影響的評估\t11
2．1 高分辨率遙感圖像場景分類方法特征提取策略總結(jié)\t11
2．2 特征提取策略對場景分類性能影響的定性評估\t15
2．2．1 手工特征對場景分類性能影響的定性評估\t16
2．2．2 數(shù)據(jù)驅(qū)動特征對場景分類性能影響的定性評估\t16
2．2．3 手工特征和數(shù)據(jù)驅(qū)動特征的定性對比\t17
2．3 特征提取策略對場景分類性能影響的定量評估\t18
2．3．1 實驗設(shè)置\t18
2．3．2 定量評估結(jié)果\t24
2．3．3 定量評估結(jié)果分析\t41
2．3．4 主要數(shù)據(jù)集的復雜度對比\t42
2．4 本章小結(jié)\t43
第3章監(jiān)督方法對場景分類性能影響的評估\t44
3．1 定性評估\t44
3．2 定量評估\t45
3．2．1 實驗設(shè)置\t45
3．2．2 定量評估結(jié)果\t45
3．2．3 定量評估結(jié)果分析\t49
3．3 本章小結(jié)\t51
第4章自動擴充標注樣本對場景分類性能的提升\t52
4．1 偽樣本生成\t52
4．1．1 總體架構(gòu)\t53
4．1．2 偽樣本生成過程\t54
4．2 一種新的偽樣本篩選定量指標\t59
4．3 自動標注樣本的融合\t61
4．4 場景分類主干網(wǎng)絡(luò)的選取\t62
4．5 融合Focal Loss的深度場景分類網(wǎng)絡(luò)\t64
4．5．1 傳統(tǒng)交叉熵損失函數(shù)\t64
4．5．2 Focal Loss損失函數(shù)\t66
4．6 實驗驗證\t67
4．6．1 實驗設(shè)置\t67
4．6．2 偽樣本篩選定量指標的有效性驗證\t68
4．6．3 融合擴充標注樣本和Focal Loss的有效性驗證\t69
4．6．4 流行算法對比\t71
4．7 本章小結(jié)\t78
第5章基于EMGAN的半監(jiān)督場景分類\t80
5．1 EMGAN模型的設(shè)計\t80
5．1．1 總體架構(gòu)\t81
5．1．2 判別器模型設(shè)計\t82
5．1．3 生成器模型設(shè)計\t85
5．2 EMGAN模型的訓練\t87
5．2．1 判別器的損失函數(shù)\t87
5．2．2 生成器的損失函數(shù)\t89
5．2．3 訓練模式\t91
5．3 基于融合深度特征的場景分類\t91
5．3．1 基于EMGAN的特征提取\t92
5．3．2 基于CNN的特征提取\t93
5．3．3 特征編碼\t95
5．3．4 特征融合及分類\t98
5．4 實驗驗證\t98
5．4．1 場景分類精度的有效性驗證\t99
5．4．2 EMGAN生成圖像多樣性的有效性驗證\t109
5．5 本章小結(jié)\t112
第6章總結(jié)與展望\t114
6．1 本書研究工作總結(jié)\t114
6．2 未來研究工作展望\t116
參考文獻\t118