遥感影像深度学习智能解译与识别

　　《遥感影像深度学习智能解译与识别》从人工智能前沿理论与技术出发，系统地论述了遥感影像深度学习智能解泽与识别的基本理论、算法及应用。
　　《遥感影像深度学习智能解译与识别》共分为四个部分，分别是SAR图像分类与变化检测、极化SAR图像分类与变化检测、高光谱影像分类、遥感影像解译描述与分类，并给出了遥感影像深度学习智能解译与识别的新进展。
　　《遥感影像深度学习智能解译与识别》每章都附有相关阅读材料，便于有兴趣的读者进一步研究。
　　《遥感影像深度学习智能解译与识别》为人工智能教育丛书，可为高等院校人工智能、计算机科学、电子科学与技术、信息科学、控制科学与工程等领域的研究人员提供参考，也可作为相关专业本科生及研究生的参考书。

第一部分 SAR图像分类与变化检测
第1章 基于DC-ResNet的SAR图像目标分类
1．1 引言
1．2 深度残差网络基础
1．2．1 非线性激活函数
1．2．2 Dropout操作
1．2．3 批规范化
1．2．4 全局均值池化
1．2．5 跳跃连接
1．3 基于DC-ResNet的SAR图像目标分类
1．3．1 可变形卷积核
1．3．2 可变形卷积残差模块
1．3．3 DC-ResNet模型
1．4 实验结果与分析
1．4．1 实验数据
1．4．2 实验环境
1．4．3 实验结果分析
本章小结
参考文献
第2章 脊波反卷积结构学习模型
2．1 引言
2．2 反卷积结构模型
2．2．1 经典的反卷积神经网络
2．2．2 构造反卷积结构模型的前期实验
2．2．3 反卷积结构模型的构造
2．2．4 反卷积结构模型的训练过程
2．3 脊波反卷积结构学习模型
2．3．1 模型的构造
2．3．2 模型的训练
2．4 混合聚集结构地物像素子空间的SAR图像分割
2．4．1 算法描述
2．4．2 实验仿真与分析
本章小结
参考文献
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
3．1 引言
3．2 帧间差分法
3．2．1 帧间差分法原理
3．2．2 改进帧间差分法
3．3 YOLO深度网络
3．3．1 YOLO网络的思想与原理
3．3．2 YOLO网络损失函数的设计
3．3．3 YOLO网络的优势
3．4 基于改进帧差法和YOLO深度网络的遥感影像目标检测
3．4．1 实验数据准备及预处理
3．4．2 基于改进帧差法的遥感影像运动目标检测
3．4．3 基于高分辨YOLO深度网络的遥感影像目标检测
3．5 实验结果与分析
3．5．1 参数设置
3．5．2 结果与分析
本章小结
参考文献
第4章 基于多尺度跳跃型卷积网络的SAR图像变化检测
4．1 引言
4．2 密集型卷积网络
4．3 多尺度跳跃型卷积网络
4．3．1 多尺度跳跃型卷积网络
4．3．2 基于多尺度跳跃型卷积网络的SAR图像变化检测
4．4 实验结果与分析
4．4．1 邻域尺寸的选择
4．4．2 多尺度跳跃型卷积网络的性能
本章小结
参考文献
第5章 基于SPPNet的SAR图像变化检测
……

第二部分 极化SAR图像分类与变化检测
第三部分 高光谱影像分类
第四部分 遥感影像解译描述与分类

　　随着高分辨率卫星的快速发展和国产卫星数量的不断增多，包含丰富地物信息的遥感影像数据规模日益猛增，对浩如烟海的遥感影像数据的解译成为了当前的热点、难点问题。传统的遥感影像处理手段，依赖于较强的专业知识和数据特征本身，需要消耗大量的人力和时间，但人工智能技术的快速发展为遥感图像处理技术带来了变革。本书将人工智能深度学习技术引入遥感数据的解泽与识别中，有效地提升了遥感数据的自动化处理和分析能力，并成功应用于包括图像分类、图像分割、目标检测、变化检测、超高分辨率重建等多个场景中，为国土资源管理、构建智慧城市、深度军民融合等应用开拓了广阔的前景，助力空间信息行业的智能化发展。
　　神经网络几经沉浮，走过了艰难曲折的历程，在2006年，单隐层神经网络模型拓展到了深度神经网络模型，“深度学习”这一术语开始普及，神经网络迎来了它的第三波浪潮并开启了“深度智能”时代。近年来，依靠强大的计算设备、海量数据集以及不断完善的深度网络理论知识，深度学习的普及性和实用性均有了极大的发展，成为了机器学习乃至人工智能领域最热门的技术，并持续展现着强大的生命力，它将不断涌现出新的理论发展和方法实践，深刻影响人工智能、社会经济及人类生活的未来。我们团队将深度学习与稀疏认知学习、多尺度几何分析等思想相结合，并应用于遥感影像智能解译与识别，研究成果表明，此方法能够克服传统遥感影像处理中出现的复杂场景下图像处理效率和精度低、网络过拟合、鲁棒性和泛化性能差等问题。