遙感腦理論及應(yīng)用

第1章遙感腦的研究背景及意義

1．1遙感技術(shù)

1．2遙感數(shù)據(jù)特性

1．3類腦生物特性

1．3．1稀疏性

1．3．2學(xué)習(xí)性

1．3．3選擇性

1．3．4方向性

1．4遙感腦模型

參考文獻(xiàn)

第2章壓縮感知基礎(chǔ)

2．1稀疏編碼與字典學(xué)習(xí)

2．1．1稀疏編碼

2．1．2字典學(xué)習(xí)

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(yōu)化重建

2．3．1貪婪迭代算法

2．3．2迭代閾值算法

2．3．3凸松弛重構(gòu)

2．3．4非凸重構(gòu)

2．3．5進(jìn)化算法

2．3．6深度學(xué)習(xí)重構(gòu)算法

參考文獻(xiàn)

第3章遙感成像機(jī)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)集

3．4機(jī)載LiDAR點(diǎn)云影像

3．4．1機(jī)載LiDAR成像原理

3．4．2機(jī)載LiDAR影像特性

3．4．3常用機(jī)載LiDAR數(shù)據(jù)集

3．5遙感光學(xué)影像

3．5．1場景分類數(shù)據(jù)集

3．5．2常用變化檢測數(shù)據(jù)集

3．5．3常用語義分割數(shù)據(jù)集

3．5．4常用目標(biāo)檢測數(shù)據(jù)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(shù)據(jù)集

參考文獻(xiàn)

第4章腦啟發(fā)的深度神經(jīng)網(wǎng)絡(luò)

4．1神經(jīng)網(wǎng)絡(luò)的發(fā)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(lǐng)域中的應(yīng)用

4．3深度生成網(wǎng)絡(luò)

4．3．1貝葉斯網(wǎng)絡(luò)

4．3．2深度置信網(wǎng)絡(luò)

4．3．3卷積深度置信網(wǎng)絡(luò)

4．3．4判別深度置信網(wǎng)絡(luò)

4．3．5遙感領(lǐng)域中的應(yīng)用

4．4淺層卷積神經(jīng)網(wǎng)絡(luò)

4．4．1LeNet

4．4．2AlexNet

4．4．3ZFNet

4．4．4全卷積網(wǎng)絡(luò)

4．4．5UNet

4．4．6SegNet

4．4．7VGG網(wǎng)絡(luò)

4．4．8GoogLeNet

4．4．9遙感領(lǐng)域中的應(yīng)用

4．5類殘差網(wǎng)絡(luò)

4．5．1ResNet

4．5．2ResNeXt

4．5．3DenseNet

4．5．4DPN網(wǎng)絡(luò)

4．5．5Inception網(wǎng)絡(luò)

4．5．6遙感領(lǐng)域中的應(yīng)用

4．6遞歸神經(jīng)網(wǎng)絡(luò)

4．6．1循環(huán)神經(jīng)網(wǎng)絡(luò)

4．6．2LSTM網(wǎng)絡(luò)

4．6．3GRU網(wǎng)絡(luò)

4．6．4ConvLSTM網(wǎng)絡(luò)

4．6．5遙感領(lǐng)域中的應(yīng)用

4．7生成對抗網(wǎng)絡(luò)

4．7．1GAN基礎(chǔ)

4．7．2CGAN

4．7．3DCGAN

4．7．4CycleGAN

4．7．5WGAN

4．7．6遙感領(lǐng)域中的應(yīng)用

4．8膠囊網(wǎng)絡(luò)

4．8．1膠囊網(wǎng)絡(luò)原理

4．8．2矩陣膠囊網(wǎng)絡(luò)

4．8．3堆疊膠囊自編碼器

4．8．4遙感領(lǐng)域中的應(yīng)用

4．9圖卷積神經(jīng)網(wǎng)絡(luò)

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(lǐng)域中的應(yīng)用

參考文獻(xiàn)

第5章腦與自然啟發(fā)的學(xué)習(xí)優(yōu)化

5．1多尺度學(xué)習(xí)

5．1．1多尺度學(xué)習(xí)原理

5．1．2SSD網(wǎng)絡(luò)

5．1．3FPNet

5．1．4PANet

5．1．5ThunderNet

5．1．6Libra RCNN

5．1．7遙感領(lǐng)域中的應(yīng)用

5．2注意力學(xué)習(xí)

5．2．1注意力學(xué)習(xí)原理

5．2．2STN

5．2．3SENet

5．2．4SKNet

5．2．5遙感領(lǐng)域中的應(yīng)用

5．3Siamese協(xié)同學(xué)習(xí)

5．3．1Siamese協(xié)同學(xué)習(xí)原理

5．3．2MatchNet

5．3．3Siamese FC網(wǎng)絡(luò)

5．3．4CFNet

5．3．5Siamese RPN

5．3．6遙感領(lǐng)域中的應(yīng)用

5．4強(qiáng)化學(xué)習(xí)

5．4．1強(qiáng)化學(xué)習(xí)原理

5．4．2面向值函數(shù)的深度強(qiáng)化學(xué)習(xí)

5．4．3面向策略梯度的深度強(qiáng)化學(xué)習(xí)

5．4．4遙感領(lǐng)域中的應(yīng)用

5．5遷移學(xué)習(xí)

5．5．1遷移學(xué)習(xí)原理

5．5．2遷移學(xué)習(xí)分類

5．5．3遙感領(lǐng)域中的應(yīng)用

5．6聯(lián)邦學(xué)習(xí)

5．6．1聯(lián)邦學(xué)習(xí)原理

5．6．2聯(lián)邦學(xué)習(xí)分類

5．6．3聯(lián)邦學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)之間的差異

5．6．4聯(lián)邦學(xué)習(xí)與分布式學(xué)習(xí)之間的差異

5．6．5遙感領(lǐng)域中的應(yīng)用

參考文獻(xiàn)

第6章遙感影像重建

6．1基于邊緣信息指導(dǎo)的壓縮感知影像重建

6．1．1邊緣信息的提取方法

6．1．2基于邊緣信息指導(dǎo)的MP算法

6．1．3實(shí)驗結(jié)果與分析

6．2基于進(jìn)化正交匹配追蹤的壓縮感知影像重構(gòu)

6．2．1編碼與解碼

6．2．2進(jìn)化正交匹配策略

6．2．3實(shí)驗結(jié)果與分析

6．3本章小結(jié)

參考文獻(xiàn)

第7章遙感影像配準(zhǔn)

7．1基于深度特征表示的遙感影像配準(zhǔn)

7．1．1特征表示匹配網(wǎng)絡(luò)模型

7．1．2基于空間關(guān)系的局部特征匹配策略

7．1．3實(shí)驗結(jié)果與分析

7．2基于雙支路的卷積深度置信網(wǎng)的遙感影像匹配

7．2．1自適應(yīng)領(lǐng)域的樣本選擇策略

7．2．2雙支路卷積深度置信網(wǎng)絡(luò)框架

7．2．3實(shí)驗結(jié)果與分析

7．3本章小結(jié)

參考文獻(xiàn)

第8章遙感影像分割

8．1基于稀疏結(jié)構(gòu)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基于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基于MRF模型的影像分割

8．2．3基于素描模型和MRF的SAR影像分割架構(gòu)

8．2．4創(chuàng)建勢能函數(shù)

8．2．5實(shí)驗結(jié)果與分析

8．3基于深度緊密神經(jīng)網(wǎng)絡(luò)和柵格地圖的三維點(diǎn)云語義分割

8．3．1尺度不變特征變換的網(wǎng)絡(luò)模塊

8．3．2深度緊密PointNet 網(wǎng)絡(luò)

8．3．3實(shí)驗結(jié)果與分析

8．4基于注意力網(wǎng)絡(luò)的三維點(diǎn)云分割方法

8．4．1全局點(diǎn)注意力模塊

8．4．2PointSIFTGPA網(wǎng)絡(luò)

8．4．3實(shí)驗結(jié)果及分析

8．5本章小結(jié)

參考文獻(xiàn)

第9章遙感影像分類

9．1基于生成式模型的雙層字典學(xué)習(xí)與影像分類

9．1．1基于生成式模型的雙層字典學(xué)習(xí)框架

9．1．2實(shí)驗結(jié)果與分析

9．2基于脊波卷積神經(jīng)網(wǎng)絡(luò)的高光譜影像分類

9．2．1基于脊波卷積神經(jīng)網(wǎng)絡(luò)算法

9．2．2實(shí)驗結(jié)果與分析

9．3基于全卷積網(wǎng)絡(luò)空間分布預(yù)測的高光譜影像分類

9．3．1基于FCN8s的HSI空間分布預(yù)測

9．3．2基于空譜特征的融合分類

9．3．3實(shí)驗結(jié)果與分析

9．4基于多尺度自適應(yīng)深度融合殘差網(wǎng)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(yīng)深度殘差網(wǎng)絡(luò)

9．4．3實(shí)驗結(jié)果與分析

9．5基于深度極化卷積神經(jīng)網(wǎng)絡(luò)的極化SAR影像分類

9．5．1基于深度極化卷積的網(wǎng)絡(luò)框架

9．5．2實(shí)驗結(jié)果與分析

9．6基于深度生成判別混合框架的極化SAR影像分類

9．6．1基于生成式模型的極化目標(biāo)分解學(xué)習(xí)模型

9．6．2深度生成判別混合網(wǎng)絡(luò)模型

9．6．3實(shí)驗結(jié)果與分析

9．7本章小結(jié)

參考文獻(xiàn)

第10章遙感影像融合

10．1基于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(yōu)化

10．1．4實(shí)驗結(jié)果與分析

10．2基于壓縮超分辨重構(gòu)和多字典學(xué)習(xí)的多光譜和全色影像融合

10．2．1壓縮超分辨重構(gòu)融合

10．2．2基于初始素描模型的區(qū)域劃分和多字典學(xué)習(xí)

10．2．3實(shí)驗結(jié)果與分析

10．3基于深度多示例學(xué)習(xí)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(wǎng)絡(luò)的譜域示例分類

10．3．3基于深度多示例學(xué)習(xí)的空譜特征融合分類

10．3．4實(shí)驗結(jié)果與分析

10．4基于雙支路注意融合網(wǎng)絡(luò)下的多分辨率遙感影像分類

10．4．1自適應(yīng)中心偏移采樣策略

10．4．2空道注意模塊

10．4．3雙支路注意融合深度網(wǎng)

10．4．4實(shí)驗結(jié)果與分析

10．5本章小結(jié)

參考文獻(xiàn)

第11章遙感目標(biāo)檢測

11．1基于混合稀疏顯著融合模型的目標(biāo)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(biāo)級協(xié)同濾波器

11．1．4實(shí)驗結(jié)果與分析

11．2基于層次顯著性濾波的SAR目標(biāo)檢測

11．2．1基于隨機(jī)森林的分層稀疏建模

11．2．2基于CFAR的動態(tài)輪廓顯著性建模

11．2．3實(shí)驗結(jié)果與分析

11．3基于深度自適應(yīng)區(qū)域建議網(wǎng)絡(luò)的遙感影像目標(biāo)檢測

11．3．1深度自適應(yīng)區(qū)域建議網(wǎng)絡(luò)框架

11．3．2實(shí)驗結(jié)果及分析

11．4基于多尺度影像塊級全卷積網(wǎng)絡(luò)的光學(xué)遙感影像目標(biāo)檢測

11．4．1多尺度影像塊級全卷積網(wǎng)絡(luò)框架

11．4．2實(shí)驗結(jié)果與分析

11．5本章小結(jié)

參考文獻(xiàn)

第12章遙感視頻目標(biāo)跟蹤

12．1基于深度學(xué)習(xí)濾波器的遙感視頻目標(biāo)跟蹤

12．1．1深度連續(xù)卷積濾波器

12．1．2深度學(xué)習(xí)濾波器

12．1．3實(shí)驗結(jié)果與分析

12．2基于孿生網(wǎng)絡(luò)的遙感視頻目標(biāo)跟蹤

12．2．1孿生網(wǎng)絡(luò)

12．2．2基于前后一致性驗證的孿生網(wǎng)絡(luò)

12．2．3實(shí)驗結(jié)果與分析

12．3本章小結(jié)

參考文獻(xiàn)

第13章類腦SAR影像解譯系統(tǒng)

13．1類腦SAR系統(tǒng)

13．1．1SAR成像系統(tǒng)

13．1．2類腦SAR解譯系統(tǒng)

13．1．3輸出展示系統(tǒng)

13．2PolSAR數(shù)據(jù)處理及解譯系統(tǒng)

13．3InSAR數(shù)據(jù)處理及解譯系統(tǒng)

13．4硬件設(shè)備設(shè)計與實(shí)現(xiàn)

13．4．1ADSPTS201處理器

13．4．2DE5Net FPGA芯片

13．4．3VPXGPU系統(tǒng)

13．5本章小結(jié)

參考文獻(xiàn)

第14章遙感大數(shù)據(jù)智能解譯平臺

14．1總體結(jié)構(gòu)設(shè)計

14．2影像信息可視化平臺體系

14．3功能模塊設(shè)計

14．3．1遙感大數(shù)據(jù)智能解譯平臺可視化系統(tǒng)

14．3．2遙感數(shù)據(jù)管理工具

14．3．3遙感影像解譯服務(wù)

14．4遙感大數(shù)據(jù)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(wù)示例

14．5本章小結(jié)

參考文獻(xiàn)

第15章公開問題

15．1遙感任務(wù)的新挑戰(zhàn)

15．2遙感數(shù)據(jù)的新特性

15．3算法框架的新思路

參考文獻(xiàn)