高光譜遙感圖像智能分類

吳海濱,王愛麗

  • 高光譜遙感圖像智能分類-preview-1
  • 高光譜遙感圖像智能分類-preview-2
  • 高光譜遙感圖像智能分類-preview-3
  • 高光譜遙感圖像智能分類-preview-4
  • 高光譜遙感圖像智能分類-preview-5
高光譜遙感圖像智能分類-preview-1

相關主題

商品描述

本書系統介紹高光譜遙感圖像智能分類的理論基礎、關鍵方法與應用實踐。全書從高光譜遙感成像機理、數據特征、典型應用和常用數據集入手,梳理傳統分類方法與深度學習分類技術的發展脈絡,重點闡述殘差網絡、多層感知機、 Vision Transformer、集成學習、隨機森林、度量學習、神經網絡架構搜索、元學習等方法在高光譜圖像分類中的建模思路與實驗驗證。同時,本書進一步討論高光譜與LiDAR多源數據協同分類、空譜域適應與跨場景分類等前沿問題,力求呈現從基礎理論、模型設計到實驗分析的完整技術體系。

目錄大綱

目錄
前言
第1章 緒論 1
1.1 概述 1
1.1.1 遙感的現狀與發展 1
1.1.2 高光譜遙感現狀與發展 2
1.2 高光譜遙感影像成像原理與數據特征 4
1.2.1 高光譜遙感成像原理 4
1.2.2 高光譜遙感數據特點 5
1.3 高光譜遙感技術的應用 8
1.3.1 農業研究中的應用 9
1.3.2 植被覆蓋研究中的應用 10
1.3.3 地質礦產研究中的應用 11
1.3.4 海洋和湖泊水質監測中的應用 12
1.3.5 軍事領域中的應用 13
1.4 高光譜分類的研究現狀 13
1.4.1 基於傳統方法的高光譜圖像分類 14
1.4.2 基於深度學習方法的高光譜圖像分類 16
1.5 高光譜圖像數據集 20
1.5.1 Indian Pines數據集 20
1.5.2 Pavia University數據集 21
1.5.3 Kennedy Space Center數據集 22
1.5.4 Salinas數據集 23
1.5.5 徐州礦區數據集 25
1.5.6 WHU?Hi?LongKou數據集 25
1.5.7 WHU?Hi?HanChuan數據集 26
1.5.8 Houston2013數據集 28
1.5.9 Trento數據集 29
參考文獻 30
第2章 殘差網絡結合動態卷積和三重註意力機制的HSI分類 37
2.1 卷積神經網絡理論基礎 37
2.1.1 卷積神經網絡原理 37
2.1.2 卷積神經網絡結構 38
2.2 殘差網絡 40
2.2.1 殘差單元 41
2.2.2 殘差網絡參數及其變體 42
2.2.3 結合動態卷積改進的殘差網絡 43
2.3 結合動態卷積和三重註意力機制改進的殘差網絡模型 48
2.3.1 PCA降維處理 49
2.3.2 註意力機制 50
2.4 實驗結果與分析 56
2.4.1 實驗參數設定 56
2.4.2 實驗分析 57
參考文獻 64
第3章 多層感知機結合殘差學習的HSI分類方法 66
3.1 多層感知機概述 66
3.1.1 神經元模型 66
3.1.2 感知機與多層網絡 68
3.2 多層感知機現狀與發展 69
3.3 重參數化方法概述及應用 70
3.3.1 提高模型性能 70
3.3.2 模型剪裁 73
3.4 重參數化多層感知機算法描述 75
3.5 重參數化多層感知機結合殘差網絡算法描述 79
3.6 重參數化多層感知機結合多分支特征融合算法 80
3.6.1 多分支特征的融合 81
3.6.2 特征輸出的可視化和分析 85
3.7 重參數化多層感知機結合殘差網絡方法實驗結果分析 85
3.7.1 Indian Pines數據集的實驗結果分析 88
3.7.2 Pavia University數據集的實驗結果分析 90
3.7.3 徐州礦區數據集的實驗結果分析 92
3.8 重參數化多層感知機結合多分支特征融合方法實驗結果分析 95
3.8.1 WHU?Hi?LongKou農業數據集的實驗結果分析 97
3.8.2 WHU?Hi?HanChuan農業數據集的實驗結果分析 99
參考文獻 101
第4章 空譜結合Vision Transformer的HSI分類方法 104
4.1 Vision Transformer方法 104
4.1.1 Transformer發展 104
4.1.2 Vision Transformer原理 105
4.2 基於空譜結合的改進Vision Transformer的HSI分類模型 110
4.3 實驗結果與分析 113
參考文獻 117
第5章 深度學習集成的HSI隨機子空間分類 119
5.1 集成學習理論基礎 120
5.1.1 集成學習原理 120
5.1.2 集成學習結構 120
5.2 集成學習方法 121
5.3 基於深度學習集成的高光譜數據分類模型 122
5.3.1 深度學習集成結構設計及參數設置 122
5.3.2 隨機特征子空間選擇 124
5.4 基於深度學習遷移集成的高光譜數據分類模型 124
5.4.1 遷移學習原理 124
5.4.2 深度學習遷移集成網絡結構設計 125
5.5 實驗結果分析 126
5.5.1 深度學習集成的高光譜數據分類實驗結果 126
5.5.2 深度學習遷移集成的高光譜數據分類實驗結果 128
參考文獻 133
第6章 深度學習集成的HSI隨機森林分類算法 134
6.1 隨機森林理論基礎 134
6.1.1 自助采樣 134
6.1.2 隨機森林原理 135
6.2 基於深度學習集成的高光譜數據隨機森林分類模型 136
6.2.1 隨機森林結構 136
6.2.2 集成隨機森林結構設計及參數設置 137
6.3 基於深度學習遷移集成的高光譜數據隨機森林分類模型 138
6.4 實驗結果分析 139
6.4.1 深度學習集成的隨機森林分類實驗結果 139
6.4.2 深度學習遷移集成的隨機森林分類實驗結果 141
參考文獻 146
第7章 基於度量學習的HSI分類方法 147
7.1 度量學習的分類及其特點 147
7.1.1 度量學習的定義 147
7.1.2 度量學習的分類 148
7.1.3 基於深度度量學習的高光譜圖像分類 149
7.2 基於度量學習的HSI分類算法設計 152
7.2.1 構建支持集及查詢集 152
7.2.2 小樣本圖像分類數據集和評價指標 153
7.2.3 小樣本學習術語與數據采樣算法 156
7.2.4 構建關系網絡模型 157
7.3 基於度量學習的HSI分類方法的實驗結果分析 162
7.3.1 實驗參數設置 162
7.3.2 實驗結果與分析 166
參考文獻 170
第8章 基於神經網絡架構搜索的HSI分類方法 172
8.1 高效神經網絡架構搜索方法 173
8.1.1 搜索空間 174
8.1.2 搜索策略 177
8.1.3 性能評估方法 184
8.2 基於神經網絡架構搜索的HSI分類模型 188
8.2.1 引入註意力機制的搜索空間 189
8.2.2 余弦冪次退火學習率調整策略 192
8.2.3 標簽平滑正則化方法 195
8.3 基於混合搜索空間的神經網絡架構搜索的HSI分類模型 196
8.3.1 圓形核卷積 197
8.3.2 β?衰減正則化方法 199
8.3.3 置信學習率方法 202
8.4 實驗結果分析 204
8.4.1 基於神經網絡架構搜索的分類模型實驗結果分析 204
8.4.2 基於混合搜索空間NAS的分類模型的實驗結果分析 212
參考文獻 224
第9章 基於元學習的HSI分類算法 225
9.1 元學習理論 225
9.1.1 元學習的概念及分類 225
9.1.2 元學習訓練策略 227
9.2 元學習算法概述 228
9.3 空譜聯合遷移網絡模塊 230
9.3.1 結合SE?Net註意力機制的光譜特征提取網絡 230
9.3.2 結合遷移學習的空間特征提取網絡 231
9.3.3 基於門控融合機制的光譜?空間融合特征提取 232
9.4 實驗結果與分析 233
9.4.1 實驗參數設置 233
9.4.2 不同模型分類結果分析 233
參考文獻 237
第10章 雙分支卷積神經網絡的HSI與LiDAR數據協同分類算法研究 238
10.1 數據融合分類 238
10.2 基於跨模態的雙分支高光譜與LiDAR數據協同分類方法設計 242
10.2.1 HSI分支的特征提取 244
10.2.2 LiDAR分支的特征提取 244
10.2.3 跨模態增強 246
10.3 基於ASPP和MHSA的HSI與LiDAR數據協同分類算法設計 249
10.3.1 算法概述 249
10.3.2 特征提取模塊設計 250
10.4 特征融合機制模塊設計 254
10.4.1 特征融合 254
10.4.2 網絡訓練和測試 255
10.5 實驗結果與分析 256
參考文獻 261
第11章 空譜域適應與XGBoost結合的跨場景HSI分類 262
11.1 域適應的基本理論 262
11.1.1 域適應定義 263
11.1.2 域適應方法 264
11.1.3 集成算法 269
11.2 基於域適應與XGBoost集成的跨場景分類模型 273
11.2.1 SSDAX模型架構 273
11.2.2 空譜註意力模型 274
11.2.3 三層空譜域適應 276
11.2.4 XGBoost 277
11.3 實驗結果與分析 279
11.3.1 實驗平臺及參數 279
11.3.2 實驗對比及分析 279
參考文獻 286

最後瀏覽商品 (20)