●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基於底層特征提取的遙感影像場景分類方法4
1.4.2基於中層特征提取的遙感影像場景分類方法4
1.4.3基於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章基於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基於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章基於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最近鄰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基於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章基於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基於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章基於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基於標簽平滑的損失函數74
7.1.3基於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章基於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基於Mixup的對抗性數據增強85
8.1.2基於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基於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基於多尺度思想的多流卷積神經網絡分類114
10.2.2基於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很優模型的全研究區制圖及分析120
參考文獻122