复杂影像智能解译 - 生成式人工智能前沿丛书 - 中国高校教材图书网
|
书名： |
复杂影像智能解译
生成式人工智能前沿丛书
|
| ISBN： | 9787560676692 |
条码： | 5606 |
| 作者： |
唐旭
相关图书
|
装订： | |
| 印次： | 1-1 |
开本： | 16开 |
| 定价： |
￥46.00
折扣价：￥43.70
折扣：0.95
节省了2.3元
|
字数： |
317千字
|
| 出版社： |
西安电子科技大学出版社 |
页数： |
248页
|
| 发行编号： | |
每包册数： |
10
|
| 出版日期： |
2025-9-1 |
|
|
| 内容简介： |
本书从理论基础出发, 全面阐述了面向遥感场景的复杂影像智能解译的基本理论和前沿方法。全书共4篇16章。第1篇（第1章至第3章）概述遥感复杂影像解译的理论基础, 旨在为读者构建一个宏观的认知框架。第2篇（第4章至第8章）深入探讨高光谱影像地物分类, 内容从理论背景、原理分析到实验操作和仿真, 全面展示前沿技术。第3篇（第9章至第13章）致力于高分辨率遥感影像场景分类的介绍, 从基础理论到复杂算法的应用进行了全面剖析。第4篇（第14章至第16章）专注于讲解高分辨率遥感影像内容检索技术, 提供细致的分析和对前沿方法的深入讨论, 旨在指导读者快速且准确地从海量遥感数据中提取所需信息。
通过本书的学习, 读者不仅能够建立起扎实的复杂影像智能解译理论基础, 还能深入了解到该领域的实际应用和操作方法。
本书既适合智能科学与技术、计算机科学与技术、电子信息与技术等专业的本科生和研究生使用, 也为科研人员和工程师提供了丰富的参考资料, 是一本具有实用价值的学习指南。
|
| 作者简介： |
|
|
| 章节目录： |
第1篇 遥感复杂影像解译理论基础
第1章 计算机视觉基础 2
1.1 引言 2
1.2 卷积神经网络基础知识 3
1.2.1 基本结构 3
1.2.2 常用模型 6
1.3 Transformer基础知识 9
1.3.1 基本结构 9
1.3.2 常用模型 11
1.4 本章小结 12
第2章 遥感影像学习解译基础 13
2.1 引言 13
2.2 高光谱影像分类 13
2.2.1 高光谱影像的特性 14
2.2.2 高光谱影像地物分类的基本流程 15
2.2.3 高光谱影像地物分类方法 16
2.2.4 高光谱影像地物分类评价指标 17
2.3 高分辨率遥感影像场景分类任务简介 17
2.4 海量高分辨率遥感影像检索任务简介 18
2.5 本章小结 20
第3章 遥感影像数据集 21
3.1 引言 21
3.2 高光谱遥感影像数据集 21
3.2.1 IP数据集 21
3.2.2 UP数据集 23
3.2.3 Botswana数据集 24
3.2.4 Houston数据集 25
3.2.5 Salinas数据集 27
3.3 高分辨率遥感影像数据集 28
3.3.1 UCM数据集 28
3.3.2 AID数据集 28
3.3.3 NWPU数据集 28
3.4 本章小结 32
第2篇 高光谱影像地物分类
第4章 端到端多尺度深度学习网络 34
4.1 引言 34
4.2 基于端到端多尺度深度学习网络方法 36
4.2.1 基于残差模块的编码解码框架 36
4.2.2 EMDN整体框架 37
4.2.3 网络训练 39
4.3 实验设置及结果分析 40
4.3.1 实验设置 40
4.3.2 结果分析 41
4.4 本章小结 47
第5章 双通道注意力深度交互学习 48
5.1 引言 48
5.2 注意力机制理论基础 49
5.3 基于交互注意力机制深度学习网络方法 52
5.3.1 注意力机制 52
5.3.2 交互注意力机制 54
5.3.3 基于交互注意力机制深度学习网络框架 55
5.4 实验设置及结果分析 56
5.4.1 实验设置 56
5.4.2 结果分析 57
5.5 本章小结 64
第6章 空谱注意力3D卷积深度网络 65
6.1 引言 65
6.2 八度卷积 66
6.3 3D八度卷积 68
6.4 特征融合 69
6.5 基于3D八度卷积和空谱注意力的高光谱影像分类 69
6.5.1 3D八度卷积模型 70
6.5.2 空间光谱注意力模型 71
6.5.3 空间光谱信息互补模型 73
6.5.4 优化策略 74
6.6 实验设置及结果分析 74
6.6.1 实验设置 74
6.6.2 结果分析 75
6.7 本章小结 83
第7章 基于多尺度表征与光谱注意力的深度学习 84
7.1 引言 84
7.2 多尺度机制 85
7.3 多尺度机制在高光谱影像中的适用性 86
7.4 基于多尺度空间特征和光谱注意力特征的高光谱分类 87
7.4.1 特征学习模型 87
7.4.2 多尺度空间光谱模型 88
7.4.3 特征约简模型 90
7.5 实验设置及结果分析 90
7.5.1 实验设置 90
7.5.2 结果分析 91
7.6 本章小结 98
第8章 半监督小样本空间光谱图卷积深度学习 100
8.1 引言 100
8.2 简单线性迭代聚类算法 101
8.3 图卷积网络 102
8.4 基于空间光谱图卷积的半监督高光谱影像分类模型 104
8.4.1 光谱图模型 105
8.4.2 空间图模型 106
8.4.3 特征转换模型 107
8.5 实验设置及结果分析 108
8.5.1 实验设置 108
8.5.2 结果分析 108
8.6 本章小结 114
第3篇 高分辨率遥感影像场景分类
第9章 多尺度注意力深度网络 116
9.1 引言 116
9.2 多尺度注意力机制及模型 117
9.2.1 通道级注意力机制 117
9.2.2 多尺度注意力模型 118
9.3 实验设置及结果分析 120
9.3.1 实验设置 120
9.3.2 结果分析 120
9.4 本章小结 123
第10章 孪生深度网络 124
10.1 引言 124
10.2 孪生网络特征提取 124
10.2.1 孪生网络概述 124
10.2.2 孪生网络结构 125
10.3 注意力统一机制模型 126
10.3.1 特征映射 126
10.3.2 并行注意力机制 127
10.3.3 注意力统一机制 128
10.3.4 分类机制 129
10.4 实验设置及结果分析 130
10.4.1 实验设置 130
10.4.2 结果分析 130
10.5 本章小结 133
第11章 双通道多尺度学习表征 134
11.1 引言 134
11.2 基于双通道多尺度特征学习网络的遥感影像分类模型 134
11.2.1 局部分支网络 135
11.2.2 全局分支网络 136
11.3 实验设置及结果分析 137
11.3.1 实验设置 137
11.3.2 结果分析 138
11.4 本章小结 139
第12章 尺度自适应卷积网络 141
12.1 引言 141
12.2 空洞卷积 142
12.3 尺度自适应卷积 143
12.3.1 金字塔卷积 143
12.3.2 尺度自适应融合策略 144
12.3.3 增强型尺度自适应卷积模型 145
12.4 实验设置及结果分析 146
12.4.1 实验设置 146
12.4.2 结果分析 147
12.5 本章小结 149
第13章 融合全局信息和局部信息的Transformer 151
13.1 引言 151
13.2 基于全局信息和局部信息的Transformer分类模型 152
13.2.1 特征映射模快 152
13.2.2 特征编码模块 153
13.2.3 分类模块 154
13.3 实验设置及结果分析 155
13.3.1 实验设置 155
13.3.2 结果分析 156
13.4 本章小结 158
第4篇 海量高分辨遥感影像内容检索
第14章 基于生成对抗网络的深度哈希学习模型 160
14.1 引言 160
14.2 生成对抗网络 161
14.3 基于生成对抗正则化的深度哈希学习模型 162
14.3.1 深度特征学习模型 163
14.3.2 对抗哈希学习模型 165
14.3.3 基于生成对抗正则化的深度哈希学习模型优化策略 168
14.4 实验设置及结果分析 169
14.4.1 实验设置 169
14.4.2 结果分析 170
14.5 本章小结 186
第15章 半监督对抗自编码深度哈希学习 188
15.1 引言 188
15.2 对抗自编码基本原理 189
15.3 基于对抗自编码的半监督哈希学习模型 191
15.4 基于对抗自编码的半监督深度哈希学习模型优化策略 192
15.4.1 无监督的重构学习 193
15.4.2 对抗正则学习 193
15.4.3 半监督学习 194
15.4.4 学习流程 196
15.5 实验设置及结果分析 196
15.5.1 实验设置 196
15.5.2 结果分析 198
15.6 本章小结 209
第16章 元深度哈希学习 211
16.1 引言 211
16.2 元学习理论基础 213
16.3 基于元学习的深度哈希学习模型 214
16.3.1 元哈希模型网络结构 215
16.3.2 元哈希学习模型 215
16.3.3 动态元哈希模型 219
16.4 实验设置及结果分析 219
16.4.1 实验设置 219
16.4.2 结果分析 221
16.5 本章小结 230
参考文献 231
|
| 精彩片段： |
|
|
| 书 评： |
|
|
| 其 它： |
|
|
|
中国大学出版社协会 |
首页 |
宏观指导 |
出版社天地 |
图书代办站 |
教材图书信息 |
教材图书评论 |
在线订购 |
教材征订
