遙感腦理論及應用

針對海量、動態、多維、異構的高分辨率衛星遙感觀測數據，通過對高分辨壓縮信息的獲取（“感”），建立多尺度幾何分析的建模（“知”），完成特徵的學習和分析（“用”），從而提高對地觀測系統的綜合利用能力，這已成為遙感技術發展的必然趨勢。 全書共十五章，系統地論述了遙感腦的理論基礎、感知與解譯應用及遙感腦系統。第一至第四章主要介紹遙感技術和類腦啟發的研究背景及意義，壓縮感知基礎、遙感成像機理與特性、深度神經網絡的**進展等；第五至第十二章主要介紹作者團隊在遙感腦感知與解譯兩方面的具體相關應用成果；第十三至第十四章主要介紹作者團隊研發的遙感腦系統；第十五章主要是展望和總結該領域的主要公開問題。以此拋磚引玉，希望本書能為讀者呈現出遙感腦理論和應用等較為全面的脈絡、趨勢和圖景。 本書適應於涉及深度學習和圖像處理類高年級本科生、研究生，以及廣大科技工作者。

目錄

第1章遙感腦的研究背景及意義

1．1遙感技術

1．2遙感數據特性

1．3類腦生物特性

1．3．1稀疏性

1．3．2學習性

1．3．3選擇性

1．3．4方向性

1．4遙感腦模型

參考文獻

第2章壓縮感知基礎

2．1稀疏編碼與字典學習

2．1．1稀疏編碼

2．1．2字典學習

2．2壓縮測量矩陣

2．2．1非確定性矩陣

2．2．2確定性矩陣

2．3壓縮優化重建

2．3．1貪婪迭代算法

2．3．2迭代閾值算法

2．3．3凸鬆弛重構

2．3．4非凸重構

2．3．5進化算法

2．3．6深度學習重構算法

參考文獻

第3章遙感成像機理與特性

3．1高光譜遙感影像

3．1．1高光譜成像原理

3．1．2常用高光譜數據集

3．2SAR影像

3．2．1SAR成像原理

3．2．2SAR影像特性

3．2．3常用SAR影像數據集

3．3極化SAR影像

3．3．1極化SAR成像原理

3．3．2極化SAR影像特性

3．3．3常用極化SAR影像數據集

3．4機載LiDAR點雲影像

3．4．1機載LiDAR成像原理

3．4．2機載LiDAR影像特性

3．4．3常用機載LiDAR數據集

3．5遙感光學影像

3．5．1場景分類數據集

3．5．2常用變化檢測數據集

3．5．3常用語義分割數據集

3．5．4常用目標檢測數據集

3．6遙感視頻

3．6．1遙感視頻原理

3．6．2遙感視頻特性

3．6．3常用遙感視頻數據集

參考文獻

第4章腦啟發的深度神經網絡

4．1神經網絡的發展歷史

4．2自編碼器

4．2．1一般自編碼器

4．2．2稀疏自編碼器

4．2．3變分自編碼器

4．2．4圖自編碼器

4．2．5遙感領域中的應用

4．3深度生成網絡

4．3．1貝葉斯網絡

4．3．2深度置信網絡

4．3．3捲積深度置信網絡

4．3．4判別深度置信網絡

4．3．5遙感領域中的應用

4．4淺層捲積神經網絡

4．4．1LeNet

4．4．2AlexNet

4．4．3ZFNet

4．4．4全捲積網絡

4．4．5UNet

4．4．6SegNet

4．4．7VGG網絡

4．4．8GoogLeNet

4．4．9遙感領域中的應用

4．5類殘差網絡

4．5．1ResNet

4．5．2ResNeXt

4．5．3DenseNet

4．5．4DPN網絡

4．5．5Inception網絡

4．5．6遙感領域中的應用

4．6遞歸神經網絡

4．6．1循環神經網絡

4．6．2LSTM網絡

4．6．3GRU網絡

4．6．4ConvLSTM網絡

4．6．5遙感領域中的應用

4．7生成對抗網絡

4．7．1GAN基礎

4．7．2CGAN

4．7．3DCGAN

4．7．4CycleGAN

4．7．5WGAN

4．7．6遙感領域中的應用

4．8膠囊網絡

4．8．1膠囊網絡原理

4．8．2矩陣膠囊網絡

4．8．3堆疊膠囊自編碼器

4．8．4遙感領域中的應用

4．9圖捲積神經網絡

4．9．1圖的基本定義

4．9．2圖信號處理

4．9．3GCN

4．9．4遙感領域中的應用

參考文獻

第5章腦與自然啟發的學習優化

5．1多尺度學習

5．1．1多尺度學習原理

5．1．2SSD網絡

5．1．3FPNet

5．1．4PANet

5．1．5ThunderNet

5．1．6Libra RCNN

5．1．7遙感領域中的應用

5．2註意力學習

5．2．1註意力學習原理

5．2．2STN

5．2．3SENet

5．2．4SKNet

5．2．5遙感領域中的應用

5．3Siamese協同學習

5．3．1Siamese協同學習原理

5．3．2MatchNet

5．3．3Siamese FC網絡

5．3．4CFNet

5．3．5Siamese RPN

5．3．6遙感領域中的應用

5．4強化學習

5．4．1強化學習原理

5．4．2面向值函數的深度強化學習

5．4．3面向策略梯度的深度強化學習

5．4．4遙感領域中的應用

5．5遷移學習

5．5．1遷移學習原理

5．5．2遷移學習分類

5．5．3遙感領域中的應用

5．6聯邦學習

5．6．1聯邦學習原理

5．6．2聯邦學習分類

5．6．3聯邦學習與神經網絡學習之間的差異

5．6．4聯邦學習與分佈式學習之間的差異

5．6．5遙感領域中的應用

參考文獻

第6章遙感影像重建

6．1基於邊緣信息指導的壓縮感知影像重建 

6．1．1邊緣信息的提取方法

6．1．2基於邊緣信息指導的MP算法

6．1．3實驗結果與分析

6．2基於進化正交匹配追蹤的壓縮感知影像重構

6．2．1編碼與解碼

6．2．2進化正交匹配策略

6．2．3實驗結果與分析

6．3本章小結

參考文獻

第7章遙感影像配準

7．1基於深度特徵表示的遙感影像配準

7．1．1特徵表示匹配網絡模型

7．1．2基於空間關系的局部特徵匹配策略

7．1．3實驗結果與分析

7．2基於雙支路的捲積深度置信網的遙感影像匹配

7．2．1自適應領域的樣本選擇策略

7．2．2雙支路捲積深度置信網絡框架

7．2．3實驗結果與分析

7．3本章小結

參考文獻

第8章遙感影像分割

8．1基於稀疏結構表示的SAR影像素描模型

8．1．1初始素描模型

8．1．2初始素描圖提取方法

8．1．3SAR影像素描模型

8．1．4SAR影像素描圖提取方法

8．2基於素描模型和高階鄰域MRF的SAR影像分割

8．2．1SAR影像素描模型

8．2．2基於MRF模型的影像分割

8．2．3基於素描模型和MRF的SAR影像分割架構

8．2．4創建勢能函數

8．2．5實驗結果與分析

8．3基於深度緊密神經網絡和柵格地圖的三維點雲語義分割

8．3．1尺度不變特徵變換的網絡模塊

8．3．2深度緊密PointNet++網絡

8．3．3實驗結果與分析

8．4基於註意力網絡的三維點雲分割方法

8．4．1全局點註意力模塊

8．4．2PointSIFTGPA網絡

8．4．3實驗結果及分析

8．5本章小結

參考文獻

第9章遙感影像分類

9．1基於生成式模型的雙層字典學習與影像分類

9．1．1基於生成式模型的雙層字典學習框架

9．1．2實驗結果與分析

9．2基於脊波捲積神經網絡的高光譜影像分類

9．2．1基於脊波捲積神經網絡算法

9．2．2實驗結果與分析

9．3基於全捲積網絡空間分佈預測的高光譜影像分類

9．3．1基於FCN8s的HSI空間分佈預測

9．3．2基於空譜特徵的融合分類

9．3．3實驗結果與分析

9．4基於多尺度自適應深度融合殘差網的多光譜遙感影像分類

9．4．1重要樣本選擇策略

9．4．2多尺度自適應深度殘差網絡

9．4．3實驗結果與分析

9．5基於深度極化捲積神經網絡的極化SAR影像分類

9．5．1基於深度極化捲積的網絡框架

9．5．2實驗結果與分析

9．6基於深度生成判別混合框架的極化SAR影像分類

9．6．1基於生成式模型的極化目標分解學習模型

9．6．2深度生成判別混合網絡模型

9．6．3實驗結果與分析

9．7本章小結

參考文獻

第10章遙感影像融合

10．1基於低秩張量分解和空譜圖正則的多源影像融合

10．1．1低秩張量融合模型

10．1．2空間光譜圖正則與融合

10．1．3增廣拉格朗日優化

10．1．4實驗結果與分析

10．2基於壓縮超分辨重構和多字典學習的多光譜和全色影像融合

10．2．1壓縮超分辨重構融合

10．2．2基於初始素描模型的區域劃分和多字典學習

10．2．3實驗結果與分析

10．3基於深度多示例學習的全色和多光譜影像空譜融合分類

10．3．1DCNN空域示例分類

10．3．2深度堆棧自編碼網絡的譜域示例分類

10．3．3基於深度多示例學習的空譜特徵融合分類 

10．3．4實驗結果與分析

10．4基於雙支路註意融合網絡下的多分辨率遙感影像分類

10．4．1自適應中心偏移採樣策略

10．4．2空道註意模塊

10．4．3雙支路註意融合深度網

10．4．4實驗結果與分析

10．5本章小結

參考文獻

第11章遙感目標檢測

11．1基於混合稀疏顯著融合模型的目標檢測

11．1．1最小跨距

11．1．2混合稀疏融合模型

11．1．3目標級協同濾波器

11．1．4實驗結果與分析

11．2基於層次顯著性濾波的SAR目標檢測

11．2．1基於隨機森林的分層稀疏建模

11．2．2基於CFAR的動態輪廓顯著性建模

11．2．3實驗結果與分析

11．3基於深度自適應區域建議網絡的遙感影像目標檢測

11．3．1深度自適應區域建議網絡框架

11．3．2實驗結果及分析

11．4基於多尺度影像塊級全捲積網絡的光學遙感影像目標檢測

11．4．1多尺度影像塊級全捲積網絡框架

11．4．2實驗結果與分析

11．5本章小結

參考文獻

第12章遙感視頻目標跟蹤

12．1基於深度學習濾波器的遙感視頻目標跟蹤

12．1．1深度連續捲積濾波器

12．1．2深度學習濾波器

12．1．3實驗結果與分析

12．2基於孿生網絡的遙感視頻目標跟蹤

12．2．1孿生網絡

12．2．2基於前後一致性驗證的孿生網絡

12．2．3實驗結果與分析

12．3本章小結

參考文獻

第13章類腦SAR影像解譯系統

13．1類腦SAR系統

13．1．1SAR成像系統

13．1．2類腦SAR解譯系統

13．1．3輸出展示系統

13．2PolSAR數據處理及解譯系統

13．3InSAR數據處理及解譯系統

13．4硬件設備設計與實現

13．4．1ADSPTS201處理器

13．4．2DE5Net FPGA芯片

13．4．3VPXGPU系統

13．5本章小結

參考文獻

第14章遙感大數據智能解譯平臺

14．1總體結構設計

14．2影像信息可視化平臺體系

14．3功能模塊設計

14．3．1遙感大數據智能解譯平臺可視化系統

14．3．2遙感數據管理工具

14．3．3遙感影像解譯服務

14．4遙感大數據智能解譯平臺

14．4．1具體功能展示

14．4．2遙感影像解譯任務示例

14．5本章小結

參考文獻

第15章公開問題

15．1遙感任務的新挑戰

15．2遙感數據的新特性

15．3算法框架的新思路

參考文獻