●第一部分 SAR圖像分類與變化檢測
第1章 基於DC-ResNet的SAR圖像目標分類
1.1 引言
1.2 深度殘差網絡基礎
1.2.1 非線性激活函數
1.2.2 Dropout操作
1.2.3 批規範化
1.2.4 全局均值池化
1.2.5 跳躍連接
1.3 基於DC-ResNet的SAR圖像目標分類
1.3.1 可變形卷積核
1.3.2 可變形卷積殘差模塊
1.3.3 DC-ResNet 模型
1.4 實驗結果與分析
1.4.1 實驗數據
1.4.2 實驗環境
1.4.3 實驗結果分析
本章小結
參考文獻
第2章 脊波反卷積結構學習模型
2.1 引言
2.2 反卷積結構模型
2.2.1 經典的反卷積神經網絡
2.2.2 構造反卷積結構模型的前期實驗
2.2.3 反卷積結構模型的構造
2.2.4 反卷積結構模型的訓練過程
2.3 脊波反卷積結構學習模型
2.3.1 模型的構造
2.3.2 模型的訓練
2.4 混合聚集結構地物像素子空間的SAR圖像分割
2.4.1 算法描述
2.4.2 實驗仿真與分析
本章小結
參考文獻
第3章 基於改進幀差法與YOLO深度網絡的遙感影像目標檢測
3.1 引言
3.2 幀間差分法
3.2.1 幀間差分法原理
3.2.2 改進幀間差分法
3.3 YOLO深度網絡
3.3.1 YOLO網絡的思想與原理
3.3.2 YOLO網絡損失函數的設計
3.3.3 YOLO網絡的優勢
3.4 基於改進幀差法和YOLO深度網絡的遙感影像目標檢測
3.4.1 實驗數據準備及預處理
……

本書從人工智能前沿理論與技術出發，繫統地論述了遙感影像深度學習智能解譯與識別的基本理論、算法及應用。全書共分為四個部分，分別是SAR圖像分類與變化檢測、極化SAR圖像分類與變化檢測、高光譜影像分類、遙感影像解譯描述與分類，並給出了遙感影像深度學習智能解譯與識別的近期新進展。每章都附有相關閱讀材料，便於有興趣的讀者進一步研究。 本書為人工智能教育叢書，可為高等院校人工智能、計算機科學、電子科學與技術、信息科學、控制科學與工程等領域的研究人員提供參考，也可作為相關專業本科生及研究生的參考書。