基於深度學習的高分辨率遙感圖像場景分類

購買商店

基於深度學習的高分辨率遙感圖像場景分類

$594.00

馬上購買

內容描述

高分辨率遙感圖像場景分類是遙感影像解譯中的一個關鍵任務，具有廣泛的應用前景。本書介紹了高分辨率遙感圖像場景分類的基本知識和現有的研究方法，並系統總結了作者在基於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、研究背景和現有研究工作，以及本書的主要內容；第二部分（第2章-3章）將特徵提取策略和監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對人工標註成本較高的問題；第四部分（第6章）對本書的主要內容進行總結，並對未來的研究工作進行展望。第2-5章都附有相關的實驗驗證工作，以便有興趣的讀者進一步鑽研探索。

目錄大綱

第1章緒論 1
1．1 引言 1
1．2 國內外研究現狀 3
1．3 本書的主要內容 6
1．3．1 研究動機 6
1．3．2 研究內容 7
1．4 本書的章節安排 10
第2章特徵提取策略對場景分類性能影響的評估 11
2．1 高分辨率遙感圖像場景分類方法特徵提取策略總結 11
2．2 特徵提取策略對場景分類性能影響的定性評估 15
2．2．1 手工特徵對場景分類性能影響的定性評估 16
2．2．2 數據驅動特徵對場景分類性能影響的定性評估 16
2．2．3 手工特徵和數據驅動特徵的定性對比 17
2．3 特徵提取策略對場景分類性能影響的定量評估 18
2．3．1 實驗設置 18
2．3．2 定量評估結果 24
2．3．3 定量評估結果分析 41
2．3．4 主要數據集的複雜度對比 42
2．4 本章小結 43
第3章監督方法對場景分類性能影響的評估 44
3．1 定性評估 44
3．2 定量評估 45
3．2．1 實驗設置 45
3．2．2 定量評估結果 45
3．2．3 定量評估結果分析 49
3．3 本章小結 51
第4章自動擴充標註樣本對場景分類性能的提升 52
4．1 偽樣本生成 52
4．1．1 總體架構 53
4．1．2 偽樣本生成過程 54
4．2 一種新的偽樣本篩選定量指標 59
4．3 自動標註樣本的融合 61
4．4 場景分類主幹網絡的選取 62
4．5 融合Focal Loss的深度場景分類網絡 64
4．5．1 傳統交叉熵損失函數 64
4．5．2 Focal Loss損失函數 66
4．6 實驗驗證 67
4．6．1 實驗設置 67
4．6．2 偽樣本篩選定量指標的有效性驗證 68
4．6．3 融合擴充標註樣本和Focal Loss的有效性驗證 69
4．6．4 流行算法對比 71
4．7 本章小結 78
第5章基於EMGAN的半監督場景分類 80
5．1 EMGAN模型的設計 80
5．1．1 總體架構 81
5．1．2 判別器模型設計 82
5．1．3 生成器模型設計 85
5．2 EMGAN模型的訓練 87
5．2．1 判別器的損失函數 87
5．2．2 生成器的損失函數 89
5．2．3 訓練模式 91
5．3 基於融合深度特徵的場景分類 91
5．3．1 基於EMGAN的特徵提取 92
5．3．2 基於CNN的特徵提取 93
5．3．3 特徵編碼 95
5．3．4 特徵融合及分類 98
5．4 實驗驗證 98
5．4．1 場景分類精度的有效性驗證 99
5．4．2 EMGAN生成圖像多樣性的有效性驗證 109
5．5 本章小結 112
第6章總結與展望 114
6．1 本書研究工作總結 114
6．2 未來研究工作展望 116
參考文獻 118