复杂影像智能解译

本书内容分为四篇, 共16章。第1篇 (第1章至第3章) 概述了遥感复杂影像智能解译的基本理论, 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) 深入探讨了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, 从基本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的内容检索技术, 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。

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
1.1 引言
1.2 卷积神经网络基础知识
1.2.1 基本结构
1.2.2 常用模型
1.3 Transformer基础知识
1.3.1 基本结构
1.3.2 常用模型
1.4 本章小结
第2章 遥感影像学习解译基础
2.1 引言
2.2 高光谱影像分类
2.2.1 高光谱影像的特性
2.2.2 高光谱影像地物分类的基本流程
2.2.3 高光谱影像地物分类方法
2.2.4 高光谱影像地物分类评价指标
2.3 高分辨率遥感影像场景分类任务简介
2.4 海量高分辨率遥感影像检索任务简介
2.5 本章小结
第3章 遥感影像数据集
3.1 引言
3.2 高光谱遥感影像数据集
3.2.1 IP数据集
3.2.2 UP数据集
3.2.3 Botswana数据集
3.2.4 Houston数据集
3.2.5 Salinas数据集
3.3 高分辨率遥感影像数据集
3.3.1 UCM数据集
3.3.2 AID数据集
3.3.3 NWPU数据集
3.4 本章小结
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
4.1 引言
4.2 基于端到端多尺度深度学习网络方法
4.2.1 基于残差模块的编码解码框架
4.2.2 EMDN整体框架
4.2.3 网络训练
4.3 实验设置及结果分析
4.3.1 实验设置
4.3.2 结果分析
4.4 本章小结
第5章 双通道注意力深度交互学习
5.1 引言
5.2 注意力机制理论基础
5.3 基于交互注意力机制深度学习网络方法
5.3.1 注意力机制
5.3.2 交互注意力机制
5.3.3 基于交互注意力机制深度学习网络框架
5.4 实验设置及结果分析
5.4.1 实验设置
5.4.2 结果分析
5.5 本章小结
第6章 空谱注意力3D卷积深度网络
6.1 引言
6.2 八度卷积
6.3 3D八度卷积
6.4 特征融合
6.5 基于3D八度卷积和空谱注意力的高光谱影像分类
6.5.1 3D八度卷积模型
6.5.2 空间光谱注意力模型
6.5.3 空间光谱信息互补模型
6.5.4 优化策略
6.6 实验设置及结果分析
6.6.1 实验设置
6.6.2 结果分析
6.7 本章小结
第7章 基于多尺度表征与光谱注意力的深度学习
7.1 引言
7.2 多尺度机制
7.3 多尺度机制在高光谱影像中的适用性
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
7.4.1 特征学习模型
7.4.2 多尺度空间光谱模型
7.4.3 特征约简模型
7.5 实验设置及结果分析
7.5.1 实验设置
7.5.2 结果分析
7.6 本章小结
第8章 半监督小样本空间光谱图卷积深度学习
8.1 引言
8.2 简单线性迭代聚类算法
8.3 图卷积网络
8.4 基于空间光谱图卷积的半监督高光谱影像分类模型
8.4.1 光谱图模型
8.4.2 空间图模型
8.4.3 特征转换模型
8.5 实验设置及结果分析
8.5.1 实验设置
8.5.2 结果分析
8.6 本章小结
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
9.1 引言
9.2 多尺度注意力机制及模型
9.2.1 通道级注意力机制
9.2.2 多尺度注意力模型
9.3 实验设置及结果分析
9.3.1 实验设置
9.3.2 结果分析
9.4 本章小结
第10章 孪生深度网络
10.1 引言
10.2 孪生网络特征提取
10.2.1 孪生网络概述
10.2.2 孪生网络结构
10.3 注意力统一机制模型
10.3.1 特征映射
10.3.2 并行注意力机制
10.3.3 注意力统一机制
10.3.4 分类机制
10.4 实验设置及结果分析
10.4.1 实验设置
10.4.2 结果分析
10.5 本章小结
第11章 双通道多尺度学习表征
11.1 引言
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
11.2.1 局部分支网络
11.2.2 全局分支网络
11.3 实验设置及结果分析
11.3.1 实验设置
11.3.2 结果分析
11.4 本章小结
第12章 尺度自适应卷积网络
12.1 引言
12.2 空洞卷积
12.3 尺度自适应卷积
12.3.1 金字塔卷积
12.3.2 尺度自适应融合策略
12.3.3 增强型尺度自适应卷积模型
12.4 实验设置及结果分析
12.4.1 实验设置
12.4.2 结果分析
12.5 本章小结
第13章 融合全局信息和局部信息的Transformer
13.1 引言
13.2 基于全局信息和局部信息的Transformer分类模型
13.2.1 特征映射模快
13.2.2 特征编码模块
13.2.3 分类模块
13.3 实验设置及结果分析
13.3.1 实验设置
13.3.2 结果分析
13.4 本章小结
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
14.1 引言
14.2 生成对抗网络
14.3 基于生成对抗正则化的深度哈希学习模型
14.3.1 深度特征学习模型
14.3.2 对抗哈希学习模型
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
14.4 实验设置及结果分析
14.4.1 实验设置
14.4.2 结果分析
14.5 本章小结
第15章 半监督对抗自编码深度哈希学习
15.1 引言
15.2 对抗自编码基本原理
15.3 基于对抗自编码的半监督哈希学习模型
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
15.4.1 无监督的重构学习
15.4.2 对抗正则学习
15.4.3 半监督学习
15.4.4 学习流程
15.5 实验设置及结果分析
15.5.1 实验设置
15.5.2 结果分析
15.6 本章小结
第16章 元深度哈希学习
16.1 引言
16.2 元学习理论基础
16.3 基于元学习的深度哈希学习模型
16.3.1 元哈希模型网络结构
16.3.2 元哈希学习模型
16.3.3 动态元哈希模型
16.4 实验设置及结果分析
16.4.1 实验设置
16.4.2 结果分析
16.5 本章小结
参考文献

唐旭，西安电子科技大学人工智能学院教授、博导、副院长，国家级青年人才，网信领域优秀人才，入选“全球前2%顶尖科学家”榜单。
主要从事高分辨率遥感影像智能理解与应用的创新研究，在表征学习与内容理解等方向取得系列突破。研究成果包括：发表SCI/EI论文90余篇（其中ESI高被引论文8篇），合作学术专著1部，获授权国家发明专利36项，主持国家自然科学基金等多项国家级科研项目。