幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

遙感腦理論及應用/中外學者論AI

  • 作者：編者:焦李成//侯彪//劉芳//楊淑媛//王爽等|責編:王芳
  • 出版社：清華大學
  • ISBN：9787302627630
  • 出版日期：2023/05/01
  • 裝幀：平裝
  • 頁數：384
人民幣：RMB 129 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    針對海量、動態、多維、異構的高解析度衛星遙感觀測數據，通過對高分辨壓縮信息的獲取（「感」），建立多尺度幾何分析的建模（「知」），完成特徵的學習和分析（「用」），從而提高對地觀測系統的綜合利用能力，這已成為遙感技術發展的必然趨勢。
    本書從遙感腦的起源、實現、主要應用等方面，詳細討論了遙感腦的「感-知-用」等方面，內容豐富且涵蓋面廣，旨在幫助人工智慧、遙感解譯等領域學者更全面、深入地了解遙感腦系統。全書共15章，系統地論述了遙感腦系統的理論基礎、感知與解譯應用。希望本書能為讀者呈現出遙感腦理論和應用等較為全面的脈絡、趨勢和圖景。
    本書適用於涉及深度學習和圖像處理類高年級本科生、研究生以及廣大科技工作者。
作者介紹
編者:焦李成//侯彪//劉芳//楊淑媛//王爽等|責編:王芳
目錄
第1章  遙感腦的研究背景及意義
  1.1  遙感技術
  1.2  遙感數據特性
  1.3  類腦生物特性
    1.3.1  稀疏性
    1.3.2  學習性
    1.3.3  選擇性
    1.3.4  方向性
  1.4  遙感腦模型
  參考文獻
第2章  壓縮感知基礎
  2.1  稀疏編碼與字典學習
    2.1.1  稀疏編碼
    2.1.2  字典學習
  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  壓縮優化重建
    2.3.1  貪婪迭代演算法
    2.3.2  迭代閾值演算法
    2.3.3  凸鬆弛重構
    2.3.4  非凸重構
    2.3.5  進化演算法
    2.3.6  深度學習重構演算法
  參考文獻
第3章  遙感成像機理與特性
  3.1  高光譜遙感影像
    3.1.1  高光譜成像原理
    3.1.2  常用高光譜數據集
  3.2  SAR影像
    3.2.1  SAR成像原理
    3.2.2  SAR影像特性
    3.2.3  常用SAR影像數據集
  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影像數據集
  3.4  機載LiDAR點雲影像
    3.4.1  機載LiDAR成像原理
    3.4.2  機載LiDAR影像特性
    3.4.3  常用機載LiDAR數據集
  3.5  遙感光學影像
    3.5.1  場景分類數據集
    3.5.2  常用變化檢測數據集
    3.5.3  常用語義分割數據集
    3.5.4  常用目標檢測數據集
  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  常用遙感視頻數據集

  參考文獻
第4章  腦啟發的深度神經網路
  4.1  神經網路的發展歷史
  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  遙感領域中的應用
  4.3  深度生成網路
    4.3.1  貝葉斯網路
    4.3.2  深度置信網路
    4.3.3  卷積深度置信網路
    4.3.4  判別深度置信網路
    4.3.5  遙感領域中的應用
  4.4  淺層卷積神經網路
    4.4.1  LeNet
    4.4.2  AlexNet
    4.4.3  ZFNet
    4.4.4  全卷積網路
    4.4.5  UNet
    4.4.6  SegNet
    4.4.7  VGG網路
    4.4.8  GoogLeNet
    4.4.9  遙感領域中的應用
  4.5  類殘差網路
    4.5.1  ResNet
    4.5.2  ResNeXt
    4.5.3  DenseNet
    4.5.4  DPN網路
    4.5.5  Inception網路
    4.5.6  遙感領域中的應用
  4.6  遞歸神經網路
    4.6.1  循環神經網路
    4.6.2  LSTM網路
    4.6.3  GRU網路
    4.6.4  Conv-LSTM網路
    4.6.5  遙感領域中的應用
  4.7  生成對抗網路
    4.7.1  GAN基礎
    4.7.2  CGAN
    4.7.3  DCGAN
    4.7.4  CycleGAN
    4.7.5  WGAN
    4.7.6  遙感領域中的應用
  4.8  膠囊網路
    4.8.1  膠囊網路原理
    4.8.2  矩陣膠囊網路
    4.8.3  堆疊膠囊自編碼器
    4.8.4  遙感領域中的應用

  4.9  圖卷積神經網路
    4.9.1  圖的基本定義
    4.9.2  圖信號處理
    4.9.3  GCN
    4.9.4  遙感領域中的應用
  參考文獻
第5章  腦與自然啟發的學習優化
  5.1  多尺度學習
    5.1.1  多尺度學習原理
    5.1.2  SSD網路
    5.1.3  FPNet
    5.1.4  PANet
    5.1.5  ThunderNet
    5.1.6  Libra R-CNN
    5.1.7  遙感領域中的應用
  5.2  注意力學習
    5.2.1  注意力學習原理
    5.2.2  STN
    5.2.3  SENet
    5.2.4  SKNet
    5.2.5  遙感領域中的應用
  5.3  Siamese協同學習
    5.3.1  Siamese協同學習原理
    5.3.2  MatchNet
    5.3.3  Siamese FC網路
    5.3.4  CFNet
    5.3.5  Siamese RPN
    5.3.6  遙感領域中的應用
  5.4  強化學習
    5.4.1  強化學習原理
    5.4.2  面向值函數的深度強化學習
    5.4.3  面向策略梯度的深度強化學習
    5.4.4  遙感領域中的應用
  5.5  遷移學習
    5.5.1  遷移學習原理
    5.5.2  遷移學習分類
    5.5.3  遙感領域中的應用
  5.6  聯邦學習
    5.6.1  聯邦學習原理
    5.6.2  聯邦學習分類
    5.6.3  聯邦學習與神經網路學習之間的差異
    5.6.4  聯邦學習與分散式學習之間的差異
    5.6.5  遙感領域中的應用
  參考文獻
第6章  遙感影像重建
  6.1  基於邊緣信息指導的壓縮感知影像重建
    6.1.1  邊緣信息的提取方法
    6.1.2  基於邊緣信息指導的MP演算法
    6.1.3  實驗結果與分析
  6.2  基於進化正交匹配追蹤的壓縮感知影像重構

    6.2.1  編碼與解碼
    6.2.2  進化正交匹配策略
    6.2.3  實驗結果與分析
  6.3  本章小結
  參考文獻
第7章  遙感影像配准
  7.1  基於深度特徵表示的遙感影像配准
    7.1.1  特徵表示匹配網路模型
    7.1.2  基於空間關係的局部特徵匹配策略
    7.1.3  實驗結果與分析
  7.2  基於雙支路的卷積深度置信網的遙感影像匹配
    7.2.1  自適應領域的樣本選擇策略
    7.2.2  雙支路卷積深度置信網路框架
    7.2.3  實驗結果與分析
  7.3  本章小結
  參考文獻
第8章  遙感影像分割
  8.1  基於稀疏結構表示的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
    8.1.3  SAR影像素描模型
    8.1.4  SAR影像素描圖提取方法
  8.2  基於素描模型和高階鄰域MRF的SAR影像分割
    8.2.1  SAR影像素描模型
    8.2.2  基於MRF模型的影像分割
    8.2.3  基於素描模型和MRF的SAR影像分割架構
    8.2.4  創建勢能函數
    8.2.5  實驗結果與分析
  8.3  基於深度緊密神經網路和柵格地圖的三維點雲語義分割
    8.3.1  尺度不變特徵變換的網路模塊
    8.3.2  深度緊密PointNet++網路
    8.3.3  實驗結果與分析
  8.4  基於注意力網路的三維點雲分割方法
    8.4.1  全局點注意力模塊
    8.4.2  PointSIFT-GPA網路
    8.4.3  實驗結果及分析
  8.5  本章小結
  參考文獻
第9章  遙感影像分類
  9.1  基於生成式模型的雙層字典學習與影像分類
    9.1.1  基於生成式模型的雙層字典學習框架
    9.1.2  實驗結果與分析
  9.2  基於脊波卷積神經網路的高光譜影像分類
    9.2.1  基於脊波卷積神經網路演算法
    9.2.2  實驗結果與分析
  9.3  基於全卷積網路空間分佈預測的高光譜影像分類
    9.3.1  基於FCN-8s的HSI空間分佈預測
    9.3.2  基於空譜特徵的融合分類
    9.3.3  實驗結果與分析
  9.4  基於多尺度自適應深度融合殘差網的多光譜遙感影像分類

    9.4.1  重要樣本選擇策略
    9.4.2  多尺度自適應深度殘差網路
    9.4.3  實驗結果與分析
  9.5  基於深度極化卷積神經網路的極化SAR影像分類
    9.5.1  基於深度極化卷積的網路框架
    9.5.2  實驗結果與分析
  9.6  基於深度生成判別混合框架的極化SAR影像分類
    9.6.1  基於生成式模型的極化目標分解學習模型
    9.6.2  深度生成判別混合網路模型
    9.6.3  實驗結果與分析
  9.7  本章小結
  參考文獻
第10章  遙感影像融合
  10.1  基於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  增廣拉格朗日優化
    10.1.4  實驗結果與分析
  10.2  基於壓縮超分辨重構和多字典學習的多光譜和全色影像融合
    10.2.1  壓縮超分辨重構融合
    10.2.2  基於初始素描模型的區域劃分和多字典學習
    10.2.3  實驗結果與分析
  10.3  基於深度多示例學習的全色和多光譜影像空譜融合分類
    10.3.1  DCNN空域示例分類
    10.3.2  深度堆棧自編碼網路的譜域示例分類
    10.3.3  基於深度多示例學習的空譜特徵融合分類
    10.3.4  實驗結果與分析
  10.4  基於雙支路注意融合網路下的多解析度遙感影像分類
    10.4.1  自適應中心偏移採樣策略
    10.4.2  空-道注意模塊
    10.4.3  雙支路注意融合深度網
    10.4.4  實驗結果與分析
  10.5  本章小結
  參考文獻
第11章  遙感目標檢測
  11.1  基於混合稀疏顯著融合模型的目標檢測
    11.1.1  最小跨距
    11.1.2  混合稀疏融合模型
    11.1.3  目標級協同濾波器
    11.1.4  實驗結果與分析
  11.2  基於層次顯著性濾波的SAR目標檢測
    11.2.1  基於隨機森林的分層稀疏建模
    11.2.2  基於CFAR的動態輪廓顯著性建模
    11.2.3  實驗結果與分析
  11.3  基於深度自適應區域建議網路的遙感影像目標檢測
    11.3.1  深度自適應區域建議網路框架
    11.3.2  實驗結果及分析
  11.4  基於多尺度影像塊級全卷積網路的光學遙感影像目標檢測
    11.4.1  多尺度影像塊級全卷積網路框架
    11.4.2  實驗結果與分析

  11.5  本章小結
  參考文獻
第12章  遙感視頻目標跟蹤
  12.1  基於深度學習濾波器的遙感視頻目標跟蹤
    12.1.1  深度連續卷積濾波器
    12.1.2  深度學習濾波器
    12.1.3  實驗結果與分析
  12.2  基於孿生網路的遙感視頻目標跟蹤
    12.2.1  孿生網路
    12.2.2  基於前後一致性驗證的孿生網路
    12.2.3  實驗結果與分析
  12.3  本章小結
  參考文獻
第13章  類腦SAR影像解譯系統
  13.1  類腦SAR系統
    13.1.1  SAR成像系統
    13.1.2  類腦SAR解譯系統
    13.1.3  輸出展示系統
  13.2  PolSAR數據處理及解譯系統
  13.3  InSAR數據處理及解譯系統
  13.4  硬體設備設計與實現
    13.4.1  ADSP-TS201處理器
    13.4.2  DE5-Net FPGA晶元
    13.4.3  VPX-GPU系統
  13.5  本章小結
  參考文獻
第14章  遙感大數據智能解譯平台
  14.1  總體結構設計
  14.2  影像信息可視化平台體系
  14.3  功能模塊設計
    14.3.1  遙感大數據智能解譯平台可視化系統
    14.3.2  遙感數據管理工具
    14.3.3  遙感影像解譯服務
  14.4  遙感大數據智能解譯平台
    14.4.1  具體功能展示
    14.4.2  遙感影像解譯任務示例
  14.5  本章小結
  參考文獻
第15章  公開問題
  15.1  遙感任務的新挑戰
  15.2  遙感數據的新特性
  15.3  演算法框架的新思路
  參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032