本書共分為8章，重點(diǎn)研究了基于深度屬性學(xué)習(xí)的光學(xué)遙感圖像分類方法，如基于屬性學(xué)習(xí)預(yù)測(cè)的細(xì)粒度遙感目標(biāo)分類、基于多源屬性學(xué)習(xí)的細(xì)粒度遙感場(chǎng)景分類、基于屬性建模遷移的少樣本遙感圖像分類、基于視覺屬性自動(dòng)化標(biāo)注的零樣本遙感圖像場(chǎng)景分類等。對(duì)于每種典型的遙感圖像分類方法，從研究者的角度，詳細(xì)地介紹了其研究背景、問(wèn)題描述、算法模

本書共分為十一章，涉及九個(gè)用于圖像分類的著名卷積神經(jīng)網(wǎng)絡(luò)模型，分別是：LeNet-5(識(shí)別手寫數(shù)字)、AlexNet(寵物貓狗識(shí)別)、VGG(表情識(shí)別)GoogleNet(車輛品牌識(shí)別)、ResNet(寵物貓狗品種識(shí)別)、MobileNet(新疆蘋果品種識(shí)別)、SqueezeNet(西紅柿病害識(shí)別)、SqueezeNe

本書圍繞高光譜遙感圖像智能分類與檢測(cè)這一主題，著重介紹以機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等為代表的智能新方法和新技術(shù)在高光譜圖像分類與檢測(cè)中的應(yīng)用，反映該領(lǐng)域目前最新研究成果與趨勢(shì)，突出先進(jìn)性和前瞻性。本書在介紹智能算法基本原理的同時(shí)，注重闡述算法與應(yīng)用問(wèn)題的機(jī)理性結(jié)合，突出啟發(fā)性和實(shí)用性。

本書主要內(nèi)容包括進(jìn)化計(jì)算、機(jī)器學(xué)習(xí)、模式識(shí)別、數(shù)據(jù)降維、影像解譯等。本書著重對(duì)上述領(lǐng)域的國(guó)內(nèi)外發(fā)展現(xiàn)狀進(jìn)行了總結(jié)，闡述了作者對(duì)高光譜遙感影像分類實(shí)際應(yīng)用的思考與探索。

本書總結(jié)了作者近年來(lái)基于人工智能深度學(xué)習(xí)模型的高光譜遙感影像智能分類方向的最新研究成果，從深度學(xué)習(xí)領(lǐng)域最具代表性的卷積神經(jīng)網(wǎng)絡(luò)、圖卷積網(wǎng)絡(luò)出發(fā)，對(duì)高光譜影像分類的理論發(fā)展和最新動(dòng)態(tài)以及該領(lǐng)域存在的若干關(guān)鍵問(wèn)題、研究難點(diǎn)及新方法等進(jìn)行了論述。

本書針對(duì)遙感成像衛(wèi)星在軌實(shí)時(shí)處理這一新技術(shù)方向，系統(tǒng)全面地介紹了在軌實(shí)時(shí)處理的基本概念、研究意義、國(guó)內(nèi)外發(fā)展歷程及趨勢(shì)；面向微波成像衛(wèi)星，從在軌成像處理與在軌目標(biāo)檢測(cè)分類兩個(gè)方面闡述了算法流程及優(yōu)化設(shè)計(jì)方法；面向光學(xué)成像衛(wèi)星，從在軌數(shù)據(jù)預(yù)處理、在軌壓縮與質(zhì)量評(píng)價(jià)、在軌目標(biāo)檢測(cè)分類等方面闡述了算法優(yōu)化設(shè)計(jì)方法；面向在軌數(shù)

本書在介紹深空探測(cè)任務(wù)與深空影像背景知識(shí)的基礎(chǔ)上,著重從統(tǒng)計(jì)數(shù)據(jù)分析和人工智能兩個(gè)方面介紹深空遙感影像相關(guān)的智能解譯方法.其中,在統(tǒng)計(jì)數(shù)據(jù)分析方面,介紹了統(tǒng)計(jì)理論工具及其在“嫦娥”觀測(cè)數(shù)據(jù)的判讀解譯應(yīng)用.在人工智能數(shù)據(jù)分析方面,介紹了深度學(xué)習(xí)中基于語(yǔ)義分割和基于目標(biāo)檢測(cè)方法在全月撞擊坑的自動(dòng)判讀識(shí)別.為了便于讀者使用上

本書針對(duì)該種成像儀獲取的影像進(jìn)行航帶拼接研究，以獲得具有高幾何定位精度和高光譜保真性的高光譜影像。本書首先利用曲面樣條函數(shù)法或基于導(dǎo)航數(shù)據(jù)或二者結(jié)合的方法對(duì)影像進(jìn)行幾何校正；然后采用基于邊緣塊剔除的局部方差法計(jì)算各波段信噪比，取分值最高的波段作為最優(yōu)波段；再利用該最優(yōu)波段采用SIFT算法或改進(jìn)的相位相關(guān)法來(lái)糾正航帶間已

高光譜圖像分析是遙感技術(shù)對(duì)地球表面分析和應(yīng)用的一個(gè)關(guān)鍵步驟，同時(shí)也是人類認(rèn)知地球的重要手段之一。為滿足對(duì)分類精度和效率以及泛化性的要求，針對(duì)高光譜圖像具有的復(fù)雜空-譜特性、非線性可分以及標(biāo)記樣本有限等特點(diǎn)，利用深度學(xué)習(xí)和寬度學(xué)習(xí)技術(shù)，探索監(jiān)督型、半監(jiān)督型、無(wú)監(jiān)督型以及遷移型深-寬度高光譜圖像分類方法，分別對(duì)應(yīng)第3章、第

本書全面講解了卷積神經(jīng)網(wǎng)絡(luò)（CNN）、單階段目標(biāo)檢測(cè)、雙階段目標(biāo)檢測(cè)、多尺度融合、注意力機(jī)制和語(yǔ)義分割等深度學(xué)習(xí)算法在遙感圖像分類、檢測(cè)、分割和提取等方面的應(yīng)用，介紹了各種深度學(xué)習(xí)模型的原理及其在遙感圖像處理中的具體實(shí)現(xiàn)方法。本書以遙感圖像飛機(jī)目標(biāo)檢測(cè)、艦船目標(biāo)檢測(cè)、遙感圖像建筑物提取及遙感圖像土地語(yǔ)義分割為例，詳細(xì)介