幫助中心 | 我的帳號 | 關於我們

基於深度學習的多極化合成孔徑雷達圖像解譯/西電科技專著系列叢書

  • 作者:劉紅英//焦李成//尚凡華//王爽//楊淑媛|責編:劉小莉
  • 出版社:西安電子科大
  • ISBN:9787560662022
  • 出版日期:2023/07/01
  • 裝幀:平裝
  • 頁數:108
人民幣:RMB 32 元      售價:
放入購物車
加入收藏夾

內容大鋼
    本書主要討論多極化合成孔徑雷達圖像的圖像解譯方法,重點是地物分類和識別方法,書中利用深度學習的先進模型和方法解決少樣本的地物分類問題,獲得較高的分類精確度。本書引人了作者團隊最新的科研成果,由淺人深地介紹了5個深度學習方法,包括稀疏濾波和近鄰保持的深度學習方法、距離度量的深度學習方法、半監督卷積神經網路的深度學習方法、半監督生成對抗網路的深度學習方法和圖卷積網路的深度學習方法以及相應的訓練策略和分類方法,解決少樣本的多極化合成孔徑雷達圖像的地物分類問題。介紹方法時均給出了真實的合成孔徑雷達數據集上的實驗結果,以驗證所述方法能提升地物分類的正確率和效率。
    本書適合作為合成孔徑雷達圖像處理、識別、數據處理方向的研究生教材,也適合作為相關專業研究人員的參考書。

作者介紹
劉紅英//焦李成//尚凡華//王爽//楊淑媛|責編:劉小莉
    劉紅英,現為天津大學英才副教授。2016年至2022年曾任西安電子科技大學人工智慧學院副教授、博士研究生導師。2020年8月入選華山菁英人才支持計劃,是IEEE會員,IEEECIS西安分部成員,中國圖象圖形學學會會員和陝西省自動化學會會員,智能感知與圖像理解教育部重點實驗室骨幹成員。分別于2006年與2009年獲得電腦科學與技術工學學士學位與工學碩士學位;于2009年4月獲得日本文部科學省GlobalCOE全額獎學金資助,赴日本早稻田大學攻讀博士學位,師從SatoshiGoto教授(IEEE Life Fellow);2012年畢業於日本早稻田大學,獲得工學博士學位(信息生產與系統專業)。近年來,在IEEETPAMI、IEEETNNLS、IEEETKDE、IEEETGRS等國際頂級期刊和IJCAI、AAAI、ACMMM等人工智慧領域頂級學術會議公開發表學術論文80余篇(其中SCI1區/CCFA類期刊和CCFA類會議論文30余篇),授權發明專利20余項。主要研究方向包括圖像/視頻處理、機器學習、數據分析等。曾榮獲2012年穀歌Anita Bor g亞洲區(包括日本、韓國、新加坡等國家)優秀領袖和研究成果獎,2018年第五屆高解析度對地觀測學術年會青年創新基金論文獎,2019年國際數據挖掘會議(IEEE ICDM,CCF B)Workshop最佳論文獎。2023年入選百度AI華人女性青年學者榜單。

目錄
第1章  概論
  1.1  研究背景
    1.1.1  多極化SAR數據的表示形式
    1.1.2  多極化SAR數據的極化特徵
  1.2  多極化SAR地物分類方法
    1.2.1  無監督分類方法
    1.2.2  有監督分類方法
    1.2.3  半監督分類方法
  1.3  本章小結
第2章  基於稀疏濾波和近鄰保持的深度學習方法
  2.1  背景與相關工作
    2.1.1  多極化SAR數據預處理
    2.1.2  稀疏濾波
  2.2  方法原理
    2.2.1  深度稀疏濾波網路
    2.2.2  近鄰保持正則項
    2.2.3  演算法步驟
  2.3  實驗結果與分析
    2.3.1  模擬數據實驗
    2.3.2  荷蘭Flevoland地區的AIRSAR數據實驗結果
    2.3.3  荷蘭Flevoland地區的子圖數據實驗結果
    2.3.4  美國San Francisco地區的RADARSAT-2數據實驗結果
    2.3.5  丹麥Foloum地區的EMISAR數據實驗結果
    2.3.6  西安地區的.RADARSAT一2數據實驗結果
  2.4  本章小結
第3章  基於距離度量學習的深度學習方法
  3.1  距離度量學習
  3.2  大邊界近鄰演算法
  3.3  方法原理
    3.3.1  半監督大邊界近鄰演算法
    3.3.2  空間信息
    3.3.3  演算法步驟
  3.4  實驗結果與分析
    3.4.1  模擬數據實驗
    3.4.2  荷蘭Flevoland地區的AIRSAR數據實驗結果
    3.4.3  荷蘭Flevoland地區的子圖數據實驗結果
    3.4.4  美國San Francisco地區的RADARSAT-2數據實驗結果
    3.4.5  丹麥Foloum地區的EMISAR數據實驗結果
    3.4.6  西安地區的RADARSAT-2數據實驗結果
  3.5  本章小結
第4章  基於半監督卷積神經網路的深度學習方法
  4.1  基於半監督卷積神經網路的多極化SAR地物分類
    4.1.1  空間信息
    4.1.2  非監督預訓練
    4.1.3  網路結構與訓練方法
  4.2  實驗結果與分析
    4.2.1  模擬數據實驗
    4.2.2  荷蘭Flevoland地區的AIRSAR數據實驗結果
    4.2.3  荷蘭Flevoland地區的子圖數據實驗結果
    4.2.4  美國San Francisco地區的RADARSAT一2數據實驗結果

    4.2.5  西安地區的RADARSAT-2數據實驗結果
  4.3  本章小結
第5章  基於半監督生成對抗網路的深度學習方法
  5.1  生成對抗網路的結構和原理
    5.1.1  生成對抗網路的基本思想及結構
    5.1.2  生成對抗網路的基本原理
    5.1.3  生成對抗網路的訓練技巧
  5.2  基於流形正則約束的分類方法
    5.2.1  半監督生成對抗網路分類方法
    5.2.2  生成對抗網路的流形正則約束
    5.2.3  網路模型和分類方法
  5.3  基於自注意力模型的半監督生成對抗網路方法
    5.3.1  自注意力模型
    5.3.2  生成對抗網路的譜正則化
    5.3.3  演算法步驟
  5.4  實驗結果與分析
    5.4.1  荷蘭Flevoland地區的子圖數據實驗結果
    5.4.2  荷蘭Flevoland地區的AIRSAR數據實驗結果
    5.4.3  美國San Francisco地區的RADARSAT 2數據實驗結果
    5.4.4  德國Oberpfaffenhofen地區的E-SAR數據實驗結果
  5.5  本章小結
第6章  基於圖卷積網路的深度學習方法
  6.1  圖神經網路概述
    6.1.1  圖網路模型
    6.1.2  圖卷積網路原理
  6.2  基於圖卷積網路的分類方法
    6.2.1  空間信息的利用
    6.2.2  融合空間信息的圖卷積網路分類方法
  6.3  圖卷積網路的快速分類方法
    6.3.1  圖卷積網路的理解
    6.3.2  直推式學習
    6.3.3  半監督圖卷積網路快速實現方法
    6.3.4  大規模多極化SAR數據上的圖卷積網路
  6.4  實驗結果與分析
    6.4.1  分類結果
    6.4.2  演算法運行時間比較
  6.5  本章小結
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