123,123

內(nèi)容簡(jiǎn)介

　　高分辨率遙感圖像場(chǎng)景分類(lèi)是遙感影像解譯中的一個(gè)關(guān)鍵任務(wù)，具有廣泛的應(yīng)用前景。本書(shū)介紹了高分辨率遙感圖像場(chǎng)景分類(lèi)的基本知識(shí)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(xué)習(xí)的高分辨率遙感圖像場(chǎng)景分類(lèi)方面的研究工作。全書(shū)共6章，分為4個(gè)部分：第一部分（第1章）介紹了高分辨率遙感圖像場(chǎng)景分類(lèi)的的定義、研究背景和現(xiàn)有研究工作，以及本書(shū)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(duì)高分辨率遙感圖像場(chǎng)景分類(lèi)性能的影響進(jìn)行了定性分析和定量實(shí)驗(yàn)評(píng)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(chǎng)景分類(lèi)方法來(lái)應(yīng)對(duì)人工標(biāo)注成本較高的問(wèn)題；第四部分（第6章）對(duì)本書(shū)的主要內(nèi)容進(jìn)行總結(jié)，并對(duì)未來(lái)的研究工作進(jìn)行展望。第2-5章都附有相關(guān)的實(shí)驗(yàn)驗(yàn)證工作，以便有興趣的讀者進(jìn)一步鉆研探索。

作者簡(jiǎn)介

　　錢(qián)曉亮，男，副教授，碩士生導(dǎo)師，2013年畢業(yè)于西北工業(yè)大學(xué)自動(dòng)化學(xué)院，獲工學(xué)博士學(xué)位，目前在鄭州輕工業(yè)大學(xué)電氣信息工程學(xué)院工作。主要研究方向?yàn)槿斯ぶ悄?，高分遙感圖像解譯，機(jī)器視覺(jué)檢測(cè)。主持國(guó)家自然科學(xué)基金面上項(xiàng)目、青年科學(xué)基金項(xiàng)目，河南省科技攻關(guān)項(xiàng)目，河南省高等學(xué)校重點(diǎn)科研項(xiàng)目等多項(xiàng)縱向科研項(xiàng)目，主持企業(yè)委托的橫向項(xiàng)目3項(xiàng)，到賬金額300余萬(wàn)元。獲河南省教育廳科技成果獎(jiǎng)一等獎(jiǎng)、河南省科技進(jìn)步二等獎(jiǎng)和三等獎(jiǎng)各1項(xiàng)。作為第一/通訊作者發(fā)表學(xué)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(zhuān)利18項(xiàng)，其中第一發(fā)明人8項(xiàng)，第二發(fā)明人4項(xiàng)。目前是IEEE、中國(guó)自動(dòng)化學(xué)會(huì)、中國(guó)計(jì)算機(jī)學(xué)會(huì)、中國(guó)圖象圖形學(xué)會(huì)的會(huì)員。擔(dān)任IEEE TGRS， IEEE JSTARS， IEEE SPL， Artificial Intelligence Review，Neurocomputing等10余本國(guó)際SCI期刊，以及遙感學(xué)報(bào)、吉林大學(xué)學(xué)報(bào)（工學(xué)版）、工程科學(xué)學(xué)報(bào)等國(guó)內(nèi)優(yōu)秀EI源期刊的審稿專(zhuān)家。

圖書(shū)目錄

第1章緒論\t1
1．1 引言\t1
1．2 國(guó)內(nèi)外研究現(xiàn)狀\t3
1．3 本書(shū)的主要內(nèi)容\t6
1．3．1 研究動(dòng)機(jī)\t6
1．3．2 研究?jī)?nèi)容\t7
1．4 本書(shū)的章節(jié)安排\t10
第2章特征提取策略對(duì)場(chǎng)景分類(lèi)性能影響的評(píng)估\t11
2．1 高分辨率遙感圖像場(chǎng)景分類(lèi)方法特征提取策略總結(jié)\t11
2．2 特征提取策略對(duì)場(chǎng)景分類(lèi)性能影響的定性評(píng)估\t15
2．2．1 手工特征對(duì)場(chǎng)景分類(lèi)性能影響的定性評(píng)估\t16
2．2．2 數(shù)據(jù)驅(qū)動(dòng)特征對(duì)場(chǎng)景分類(lèi)性能影響的定性評(píng)估\t16
2．2．3 手工特征和數(shù)據(jù)驅(qū)動(dòng)特征的定性對(duì)比\t17
2．3 特征提取策略對(duì)場(chǎng)景分類(lèi)性能影響的定量評(píng)估\t18
2．3．1 實(shí)驗(yàn)設(shè)置\t18
2．3．2 定量評(píng)估結(jié)果\t24
2．3．3 定量評(píng)估結(jié)果分析\t41
2．3．4 主要數(shù)據(jù)集的復(fù)雜度對(duì)比\t42
2．4 本章小結(jié)\t43
第3章監(jiān)督方法對(duì)場(chǎng)景分類(lèi)性能影響的評(píng)估\t44
3．1 定性評(píng)估\t44
3．2 定量評(píng)估\t45
3．2．1 實(shí)驗(yàn)設(shè)置\t45
3．2．2 定量評(píng)估結(jié)果\t45
3．2．3 定量評(píng)估結(jié)果分析\t49
3．3 本章小結(jié)\t51
第4章自動(dòng)擴(kuò)充標(biāo)注樣本對(duì)場(chǎng)景分類(lèi)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(guò)程\t54
4．2 一種新的偽樣本篩選定量指標(biāo)\t59
4．3 自動(dòng)標(biāo)注樣本的融合\t61
4．4 場(chǎng)景分類(lèi)主干網(wǎng)絡(luò)的選取\t62
4．5 融合Focal Loss的深度場(chǎng)景分類(lèi)網(wǎng)絡(luò)\t64
4．5．1 傳統(tǒng)交叉熵?fù)p失函數(shù)\t64
4．5．2 Focal Loss損失函數(shù)\t66
4．6 實(shí)驗(yàn)驗(yàn)證\t67
4．6．1 實(shí)驗(yàn)設(shè)置\t67
4．6．2 偽樣本篩選定量指標(biāo)的有效性驗(yàn)證\t68
4．6．3 融合擴(kuò)充標(biāo)注樣本和Focal Loss的有效性驗(yàn)證\t69
4．6．4 流行算法對(duì)比\t71
4．7 本章小結(jié)\t78
第5章基于EMGAN的半監(jiān)督場(chǎng)景分類(lèi)\t80
5．1 EMGAN模型的設(shè)計(jì)\t80
5．1．1 總體架構(gòu)\t81
5．1．2 判別器模型設(shè)計(jì)\t82
5．1．3 生成器模型設(shè)計(jì)\t85
5．2 EMGAN模型的訓(xùn)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(xùn)練模式\t91
5．3 基于融合深度特征的場(chǎng)景分類(lèi)\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(lèi)\t98
5．4 實(shí)驗(yàn)驗(yàn)證\t98
5．4．1 場(chǎng)景分類(lèi)精度的有效性驗(yàn)證\t99
5．4．2 EMGAN生成圖像多樣性的有效性驗(yàn)證\t109
5．5 本章小結(jié)\t112
第6章總結(jié)與展望\t114
6．1 本書(shū)研究工作總結(jié)\t114
6．2 未來(lái)研究工作展望\t116
參考文獻(xiàn)\t118