中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統關鍵技術
-
>
花樣百出:貴州少數民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現代政治哲學的問題與脈絡
復雜地質環境遙感影像智能解譯理論與方法 版權信息
- ISBN：9787030709172
- 條形碼：9787030709172 ; 978-7-03-070917-2
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
復雜地質環境遙感影像智能解譯理論與方法 內容簡介
復雜地質環境主要體現在景觀類型復雜、地形地貌復雜、地質背景復雜等方面。復雜地質環境遙感影像智能解譯對地理國情監測、災害調查與監測及軍事戰場環境分析與作戰等均具有重要的意義。本書首先介紹復雜地質環境場景的遙感影像特征、遙感影像分類尤其是遙感影像場景分類的相關研究基礎及遙感影像場景數據集，然后結合注意力、多尺度、深度學習、度量學習等理論與技術分別對不同類型的復雜地質環境遙感影像智能解譯展開研究。本書通過對理論、方法、模型、數據、實驗的詳細描述與分析，充分介紹當前復雜地質環境遙感影像智能解譯中的各種新理論與新方法。
復雜地質環境遙感影像智能解譯理論與方法 目錄
目錄
第1章復雜地質環境遙感影像場景分類概述1
1.1遙感影像場景概念1
1.2遙感影像場景分類概念及難點分析2
1.2.1概念2
1.2.2難點分析2
1.3復雜地質環境遙感影像場景特征及應用3
1.4國內外研究進展4
1.4.1基于底層特征提取的遙感影像場景分類方法4
1.4.2基于中層特征提取的遙感影像場景分類方法4
1.4.3基于深度學習的遙感影像場景分類方法5
第2章遙感影像智能分類理論與關鍵問題8
2.1相關理論8
2.1.1卷積神經網絡理論8
2.1.2主流卷積神經網絡13
2.2精度評價方法17
2.3遙感影像智能分類關鍵問題19
第3章遙感影像場景數據集20
3.1公開的遙感影像場景數據集20
3.1.1UCM數據集20
3.1.2AID數據集21
3.1.3NWPU-RESISC45數據集21
3.2植被覆蓋區地貌遙感影像場景數據集制作22
3.2.1數據集制作區域基本情況22
3.2.2數據集地貌成因標簽解譯流程24
3.2.3數據集制作方法28
3.2.4數據集描述30
3.3山區景觀遙感影像場景數據集制作31
3.3.1數據區域及數據源31
3.3.2數據集制作流程32
3.3.3山區地理遙感影像場景數據集制作34
第4章基于注意力和多尺度特征融合的遙感影像場景分類35
4.1模型構建36
4.1.1多尺度特征融合網絡36
4.1.2通道注意力模塊38
4.1.3基于注意力和多尺度特征融合的遙感影像場景分類網絡39
4.2實驗設置40
4.3實驗結果與分析41
4.3.1UCM數據集實驗結果與分析41
4.3.2AID數據集實驗結果與分析43
4.3.3NWPU-RESISC45數據集實驗結果與分析44
第5章基于深度度量學習的遙感影像場景分類48
5.1模型構建49
5.1.1k*近鄰49
5.1.2近鄰成分分析49
5.1.3可擴展近鄰成分分析51
5.1.4基于深度度量學習的遙感影像場景分類網絡52
5.2實驗設置52
5.3實驗結果與分析53
5.3.1AID數據集實驗結果與分析53
5.3.2NWPU-RESISC45數據集實驗結果與分析55
第6章基于自適應學習的遙感影像場景分類59
6.1模型構建59
6.1.1多尺度密集連接網絡59
6.1.2基于自適應學習的遙感影像場景分類網絡62
6.2模型性能優化63
6.2.1預算批分類63
6.2.2實時預測64
6.3實驗設置64
6.4實驗結果與分析65
6.4.1AID數據集實驗結果與分析65
6.4.2NWPU-RESISC45數據集實驗結果與分析67
6.4.3模型復雜度及輕量級分析68
6.4.4預算批分類設置下實驗結果與分析69
6.4.5實時預測設置下實驗結果與分析70
6.4.6預測可視化分析70
第7章基于特征通道注意力的遙感影像場景分類72
7.1模型構建73
7.1.1密集連接網絡73
7.1.2基于標簽平滑的損失函數74
7.1.3基于特征通道注意力的遙感影像場景分類網絡75
7.2實驗設置76
7.3實驗結果與分析76
7.3.1山區遙感影像場景數據集實驗結果與分析76
7.3.2UCM數據集實驗結果與分析77
7.3.3AID數據集實驗結果與分析79
7.3.4NWPU-RESISC45數據集實驗結果與分析80
7.4實驗討論83
7.4.1特征通道注意力機制的熱力圖可視化83
7.4.2FCA網絡的消融實驗84
第8章基于全局上下文信息的遙感影像場景分類85
8.1模型構建85
8.1.1基于Mixup的對抗性數據增強85
8.1.2基于全局上下文空間注意力的遙感影像場景分類網絡設計86
8.2實驗設置89
8.3實驗結果與分析90
8.3.1山區遙感影像場景數據集實驗結果與分析90
8.3.2UCM數據集實驗結果與分析91
8.3.3AID數據集實驗結果與分析92
8.3.4NWPU-RESISC45數據集實驗結果與分析95
8.4實驗討論96
8.4.1山區遙感影像場景數據集的預測結果96
8.4.2GCSA網絡的消融實驗97
第9章地貌遙感影像場景智能分類98
9.1地貌遙感影像場景分類概述98
9.2基于多模態深度學習網絡的地貌遙感影像場景分類100
第10章礦山開發占地類型遙感影像智能分類105
10.1模型構建106
10.1.1總體技術路線106
10.1.2模型構建過程109
10.2實驗結果與分析114
10.2.1基于多尺度思想的多流卷積神經網絡分類114
10.2.2基于深度置信網絡的多尺度特征融合的多層次分類116
10.3實驗討論119
10.3.1與可變形卷積神經網絡的比較分析119
10.3.2*優模型的全研究區制圖及分析120
參考文獻122
第1章復雜地質環境遙感影像場景分類概述1
1.1遙感影像場景概念1
1.2遙感影像場景分類概念及難點分析2
1.2.1概念2
1.2.2難點分析2
1.3復雜地質環境遙感影像場景特征及應用3
1.4國內外研究進展4
1.4.1基于底層特征提取的遙感影像場景分類方法4
1.4.2基于中層特征提取的遙感影像場景分類方法4
1.4.3基于深度學習的遙感影像場景分類方法5
第2章遙感影像智能分類理論與關鍵問題8
2.1相關理論8
2.1.1卷積神經網絡理論8
2.1.2主流卷積神經網絡13
2.2精度評價方法17
2.3遙感影像智能分類關鍵問題19
第3章遙感影像場景數據集20
3.1公開的遙感影像場景數據集20
3.1.1UCM數據集20
3.1.2AID數據集21
3.1.3NWPU-RESISC45數據集21
3.2植被覆蓋區地貌遙感影像場景數據集制作22
3.2.1數據集制作區域基本情況22
3.2.2數據集地貌成因標簽解譯流程24
3.2.3數據集制作方法28
3.2.4數據集描述30
3.3山區景觀遙感影像場景數據集制作31
3.3.1數據區域及數據源31
3.3.2數據集制作流程32
3.3.3山區地理遙感影像場景數據集制作34
第4章基于注意力和多尺度特征融合的遙感影像場景分類35
4.1模型構建36
4.1.1多尺度特征融合網絡36
4.1.2通道注意力模塊38
4.1.3基于注意力和多尺度特征融合的遙感影像場景分類網絡39
4.2實驗設置40
4.3實驗結果與分析41
4.3.1UCM數據集實驗結果與分析41
4.3.2AID數據集實驗結果與分析43
4.3.3NWPU-RESISC45數據集實驗結果與分析44
第5章基于深度度量學習的遙感影像場景分類48
5.1模型構建49
5.1.1k*近鄰49
5.1.2近鄰成分分析49
5.1.3可擴展近鄰成分分析51
5.1.4基于深度度量學習的遙感影像場景分類網絡52
5.2實驗設置52
5.3實驗結果與分析53
5.3.1AID數據集實驗結果與分析53
5.3.2NWPU-RESISC45數據集實驗結果與分析55
第6章基于自適應學習的遙感影像場景分類59
6.1模型構建59
6.1.1多尺度密集連接網絡59
6.1.2基于自適應學習的遙感影像場景分類網絡62
6.2模型性能優化63
6.2.1預算批分類63
6.2.2實時預測64
6.3實驗設置64
6.4實驗結果與分析65
6.4.1AID數據集實驗結果與分析65
6.4.2NWPU-RESISC45數據集實驗結果與分析67
6.4.3模型復雜度及輕量級分析68
6.4.4預算批分類設置下實驗結果與分析69
6.4.5實時預測設置下實驗結果與分析70
6.4.6預測可視化分析70
第7章基于特征通道注意力的遙感影像場景分類72
7.1模型構建73
7.1.1密集連接網絡73
7.1.2基于標簽平滑的損失函數74
7.1.3基于特征通道注意力的遙感影像場景分類網絡75
7.2實驗設置76
7.3實驗結果與分析76
7.3.1山區遙感影像場景數據集實驗結果與分析76
7.3.2UCM數據集實驗結果與分析77
7.3.3AID數據集實驗結果與分析79
7.3.4NWPU-RESISC45數據集實驗結果與分析80
7.4實驗討論83
7.4.1特征通道注意力機制的熱力圖可視化83
7.4.2FCA網絡的消融實驗84
第8章基于全局上下文信息的遙感影像場景分類85
8.1模型構建85
8.1.1基于Mixup的對抗性數據增強85
8.1.2基于全局上下文空間注意力的遙感影像場景分類網絡設計86
8.2實驗設置89
8.3實驗結果與分析90
8.3.1山區遙感影像場景數據集實驗結果與分析90
8.3.2UCM數據集實驗結果與分析91
8.3.3AID數據集實驗結果與分析92
8.3.4NWPU-RESISC45數據集實驗結果與分析95
8.4實驗討論96
8.4.1山區遙感影像場景數據集的預測結果96
8.4.2GCSA網絡的消融實驗97
第9章地貌遙感影像場景智能分類98
9.1地貌遙感影像場景分類概述98
9.2基于多模態深度學習網絡的地貌遙感影像場景分類100
第10章礦山開發占地類型遙感影像智能分類105
10.1模型構建106
10.1.1總體技術路線106
10.1.2模型構建過程109
10.2實驗結果與分析114
10.2.1基于多尺度思想的多流卷積神經網絡分類114
10.2.2基于深度置信網絡的多尺度特征融合的多層次分類116
10.3實驗討論119
10.3.1與可變形卷積神經網絡的比較分析119
10.3.2*優模型的全研究區制圖及分析120
參考文獻122
展開全部
復雜地質環境遙感影像智能解譯理論與方法 節選
第1章 復雜地質環境遙感影像場景分類概述 1.1 遙感影像場景概念 遙感是以非接觸的方式獲取物體表面信息的一種信息獲取技術。隨著科技的發展，遙感已經從*初的可見光和近紅外拓展到微波、紅外、熱紅外等波段。特別地，我國近年來發展了以“資源三號”系列和“天繪”系列為代表的立體測繪衛星，使對地觀測衛星數據源更加豐富。這些多模態的遙感數據，能夠使研究者獲取幾何、紋理、光譜、數字地形模型、散射系數等多模態的數據產品，大大提升了遙感技術在民用和軍用領域的應用能力。 隨之而來的是，遙感衛星技術的高速發展使遙感影像的數量正在急劇增加，龐大數量的遙感影像所蘊含的有效信息也越來越豐富，如何充分挖掘并利用這些有效信息一直是遙感影像分析領域的重要研究內容。遙感影像除了在傳統的地質調查、國土資源等部門有所應用，土地利用和土地覆被分類、災害監測、環境監測和城市規劃等領域也有著重要成果（胡凡，2017；Zhu et al.，2016；Chen et al.，2014；Martha et al.，2011）。隨著遙感技術的飛速發展，高分辨率遙感影像的可獲取能力越來越強，應用程度越來越高（Mishra et al.，2014；Phinn et al.，2012）。與中低分辨率遙感影像相比，高分辨率遙感影像地物目標的幾何空間特性更加復雜，結構紋理等信息更為精細，為地物的精準解譯提供了基礎數據支撐。然而，隨著遙感影像空間分辨率的提高，影像中出現了地物結構多變的情況，使得“同物異譜、同譜異物”的現象更加顯著。這導致地物類別愈加難以區分，給高分辨率遙感影像的精確解譯帶來極大挑戰。經過十幾年的研究發展，從像素級影像分類到對象級影像分類的過渡已經基本完成，但是在高分辨率遙感影像中的語義挖掘還遠遠沒有結束，研究人員致力于挖掘更高層次的語義信息（Chen et al.，2014）。 在高分辨率遙感影像中，單個像素的意義不大，特別是其分類結果的信息量不足以解釋特定區域內具有明確意義的對象。地物影像特征通常由不同的形態、結構及紋理信息組成，通過不同的組合和空間排列形式，可以形成不一樣的場景語義類別。比如“商業區”場景，通常由建筑、植被、道路等要素組成，這些地物以一定的空間布局和排列方式構成了商業區，但是同樣的地物根據某種特定的語義關系也可以組成居民區等其他類別。多種簡單地物混合而成的高層場景語義信息在高分辨率遙感影像上得到了清晰的展現，相同的地物類別通過不同的空間語義關系可以組成不同的高層場景類別。 為了更好地解釋高分辨率遙感影像，需要考慮更大尺寸的影像塊或子影像的特征，并考慮背景信息來做出綜合判斷。從這個角度出發，有必要定義一種新的研究影像特征的尺度。因此，遙感影像場景是一種具有特定空間尺寸的影像塊，在綜合考慮該影像塊上下文信息和特定信息的情況下，為其指定明確語義。 然而由于影像的底層特征到高層語義信息之間存在語義鴻溝，手工設計方法中的地物特征分類難以有效地理解重要區域的場景語義（朱祺琪，2018），深度學習中傳統的卷積神經網絡同樣也沒有特定的網絡結構來理解多尺度地物復雜排列所構成的語義關系。 1.2 遙感影像場景分類概念及難點分析 1.2.1 概念 對遙感影像進行高精度的自動分類是遙感影像智能解譯技術的基礎，也是實現遙感對地觀測技術大規模高效應用的前提。由于遙感影像的像素只能包含較低層次的地物信息，隨著遙感影像分辨率的不斷提高，傳統“面向像素”和“面向對象”的分類方法不能對遙感影像高層次語義內容進行描述，無法滿足高層次內容的解譯需求（胡凡，2017）。為了應對這一問題，結合更大解譯單元內的上下文信息進行“面向場景”的遙感影像分類，是當前實現高分辨率遙感影像語義內容解譯的重要手段，也是研究熱點之一（Chen et al.，2014）。 遙感影像場景分類是對給定的遙感影像根據主要地物內容來判斷影像場景的類別，并根據高層次的場景信息對影像標簽分類，是一種有效解析并得到高層次語義信息的遙感影像技術，也是高分辨率遙感影像分類領域近年來的一個重點研究方向。遙感影像場景分類在日常生活的各個方面都發揮著重要作用，例如在自然災害監測（Martha et al.， 2011）、土地使用和土地覆蓋（Zhu et al.，2016）、植被制圖（Mishra et al.，2014 ）及環境監測和城市規劃（Phinn et al.，2012）等領域都具有很高的實際應用價值。 1.2.2 難點分析 與“面向對象”和“面向像素”的分類任務不同，遙感影像場景中地物目標空間分布復雜并且形式多樣，相同的場景類別可能由不同的地物目標構成，而相同的地物目標基于不同的空間分布可以構成不同的場景類別（朱祺琪，2018）。例如商業區、住宅區和工業區都包含建筑物、樹木和道路等相同的地物目標，這些地物目標的空間分布都各不相同。此外遙感影像場景中地物目標還存在復雜的背景干擾，這些因素使得高分辨率遙感影像場景分類成為一項極具挑戰性的任務。 目前遙感影像場景分類的主流方向是特征提取和語義分類兩個方面，由于特征提取在遙感影像場景到語義類別的映射過程中起著更加重要的作用，受到了學界更多的關注和研究（Cheng et al.，2017）。傳統的場景特征提取方法十分依賴人工設計的底層特征，特征描述能力不足，限制了分類的性能。后來發展的決策樹、支持向量機、隨機森林等方法對底層特征進行再編碼，在分類效果上取得較大的改善，但這些算法不能針對遙感影像本質特征而設計，泛化能力差，在對場景的描述上仍然存在很大的局限性。遙感影像數據與自然影像相比具有多樣性和復雜性的特點，因此需要利用數據驅動型的算法來對遙感影像場景進行準確分類。 近年來隨著深度學習技術的快速發展，卷積神經網絡較傳統方法能更好地提取*本質的數據特征，并且泛化能力強，大大地提高了遙感影像場景分類的準確率，成為遙感影像場景分類的主流方法（Nogueira et al.，2017）。然而，盡管深度學習技術能夠有效地提升特征提取的能力，其提取到的特征非常依賴網絡模型的設計。遙感影像場景中復雜的地物分布和成像差異使得場景之間存在類內多樣性和類間相似性的問題，制約了遙感影像場景分類精度的進一步提升。同時隨著遙感影像分辨率升高和影像數量增加，網絡模型在處理這些數據時對計算資源的需求也越來越大，在實際應用中難以推廣。 1.3 復雜地質環境遙感影像場景特征及應用 當前，遙感影像場景分類研究程度較低。特別是在深度學習技術的驅動下，出現了一批遙感影像場景數據集，這些數據集極大推動了基于深度學習的遙感影像場景分類研究，涌現了一批研究性成果。然而，當前基于深度學習的遙感影像場景分類研究主要聚焦于兩個方面：一是構建公開的數據集，這些數據集的圖像塊語義整體較為簡單，無論從學科領域還是從研究對象來看，都無法體現地球表層的復雜性和系統性，導致當前的研究成果無法滿足行業發展需求；二是對公開遙感影像場景數據集的算法測試，這些算法大多是從特征提取的角度，基于深度卷積網絡不斷發展的。但是，由于缺乏多類型的復雜地質環境遙感影像場景數據集，這些面向公開數據集的遙感影像場景分類模型的泛化能力較低，同樣無法滿足區域尺度遙感影像場景分類的實際需求。 復雜地質環境遙感影像場景應該具備三個特征：一是景觀類型復雜，例如城市環境景觀、礦區景觀、山區景觀等；二是地形地貌復雜，如山區遙感影像場景、地形切割強烈的地表多要素場景等；三是地質背景復雜，例如面向特定領域應用的對遙感影像解譯專業要求極高的巖土體類型遙感影像場景等。面向上述復雜地質環境遙感影像特征的場景分類方法研究，稱為復雜地質環境遙感影像場景分類。 顯然，復雜地質環境遙感影像場景分類研究的意義不僅局限于模型的算法精度，其分類結果不僅可以用于地理國情監測、災害調查與監測等民用領域，也可以用于軍事戰場環境構建與輔助作戰行動中。特別地，在軍事活動中，復雜地質環境遙感場景分類可以為戰略通道選擇、作戰方向選定、作戰目標確定、全地形野外通行能力評估、地質環境抗爆抗打擊能力評估等方面提供輔助決策依據。 1.4 國內外研究進展 場景分類的基本假設是同一類的場景應該具有一定的整體視覺統計特征（Oliva et al.，2001），這一點在自然場景中得到驗證并對遙感影像場景分類有很好的指導作用。因此，大多數關于遙感影像場景分類的工作集中在提取并識別這樣的整體視覺特征。根據特征的種類可以將遙感影像場景分類方法分為三種：基于底層特征提取的遙感影像場景分類方法、基于中層特征提取的遙感影像場景分類方法和基于深度學習的遙感影像場景分類方法。 1.4.1 基于底層特征提取的遙感影像場景分類方法 傳統遙感影像場景分類方法主要依靠人工設計的底層視覺特征，這些特征一般依靠遙感領域專家結合高分辨率遙感影像解譯知識和待分類場景的先驗知識進行精心設計，大致可以分為顏色直方圖特征、結構特征和紋理特征三類。顏色直方圖特征考慮的是影像的顏色信息，不關心影像本身尺寸和方向變化，但受光照變化和局部偏差影響較大。許多學者將顏色直方圖特征應用到遙感影像場景分類中，例如 Aptoula 等（2013）利用顏色空間編碼的方法改善了遙感影像場景分類，van de Sande 等（2009） 采用了色相、飽和度、明度（hue saturation value，HSV ）顏色直方圖來描述遙感影像場景信息。而結構特征和紋理特征主要描述的是影像的空間信息，其中尺度不變特征變換被廣泛應用于描述遙感影像復雜的結構特征，主要對場景影像中結構的局部變化進行建模，對影像的尺度和旋轉變化魯棒性較高。常見的紋理特征包括灰度共生矩陣、局部二值模式和基于形狀的紋理不變指數等。一般學者會將以上的基本特征進行組合用來改善分類效果。例如Yang 等（2010）采用尺度不變特征和Gabor 紋理特征并通過金字塔視覺詞袋模型實現了場景分類。程剛等（2011 ）將結構特征和紋理特征相結合用于遙感影像場景分類。 總的來看，基于底層特征提取的方法描述的是影像底層次的特征，該方法可以在一定程度上提高遙感影像場景特征的表達能力和分類性能，但非常依賴人工設計的局部特征提取，本質上也是一些底層特征的整合，并沒有上升到高層語義信息，仍然跨越不了底層特征和語義場景類別之間的“語義鴻溝”（劉艷飛，2019）。所以該類方法只能在具有統一結構和空間分布的場景上取得良好的表現，但當遙感影像場景非均勻或多樣性強時，該類方法的分類效果并不理想，這也是人工設計特征和編碼方法共同面臨的局限性。 1.4.2 基于中層特征提取的遙感影像場景分類方法 中層特征提取是在底層特征的基礎上對特征進行再編碼和組合。該類方法先從遙感影像中獲取局部低級特征，然后將低級特征向中層特征進行映射，*后將獲取到的中層特征表達用于遙感影像場景分類。目前此類方法主要分為三種：基于視覺詞袋模型的場景分類方法、基于特征編碼的場景分類方法和基于主題模型的場景分類方法。 視覺詞袋（bag of visual words，BoVW）模型*開始應用在文本處理（Blei et al.，2003），詞袋模型算法主要思想是先用尺寸不變特征變換（scale invariant feature transform，SIFT ）等描述符來描述影像的局部特征，然后運用聚類算法將影像局部特征進行聚類生成詞典，*后統計詞典中單詞的頻率來表示影像的詞袋特征。很多學者將詞袋模型應用到遙感影像場景分類中，將遙感影像看作文本信息，挖掘遙感影像中視覺單詞的詞頻來進行特征表達。原始詞袋模型只統計了相關單詞的詞頻，忽略了其空間關系，然而視覺單詞的空間分布關系例如共生關系對遙感影像場景分類至關重要，因此該類方法的分類效果并不理想。后續學者在此基礎上提出了一系列改進方法，例如Zhao 等（2014）在詞袋模型的基
書友推薦
- >
月亮與六便士
- >
史學評論
- >
隨園食單
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
回憶愛瑪儂
- >
【精裝繪本】畫給孩子的中國神話
- >
上帝之肋:男人的真實旅程
- >
我從未如此眷戀人間
本類暢銷
