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

基於深度學習的高解析度遙感影像智能解譯與變化檢測/地球空間信息學前沿叢書

  • 作者：張覓|責編:謝文濤
  • 出版社：武漢大學
  • ISBN：9787307248120
  • 出版日期：2025/03/01
  • 裝幀：平裝
  • 頁數：174
人民幣：RMB 69 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書面向智能化時代遙感影像處理與應用的需求，結合作者近年來在遙感影像智能解譯方面的研究工作，系統地闡述了高解析度遙感影像解譯與變化檢測的方法，以「數據-像素-目標-場景」的層次認知模型為基礎，引入基於深度學習的全要素遙感影像語義分割模型，在此基礎上提出顧及拓撲結構與空間上下文的線狀、面狀地物專題要素提取方法，並構建了融合高階注意力機制的人機交互半自動提取模型。同時，引入密集連接與幾何結構約束機制，提升變化檢測模型的特徵復用與結構感知能力。
    本書可作為普通高校攝影測量與遙感、遙感科學與技術、測繪工程、模式識別與智能處理等專業的研究生教材，也可作為遙感智能解譯相關從業人員的技術參考書籍。
作者介紹
張覓|責編:謝文濤
    張覓，武漢大學副研究員，長期從事智能遙感影像解譯研究，擔任中國遙感應用協會智能遙感開源聯盟副秘書長、湖北珞珈實驗室智能遙感解譯中心副主任。主持或參與20余項國家自然科學基金、重點研發計劃等項目，發表論文30余篇，擔任CVPR/ICCV/ECCV、ISPRS/TGRS/TIP等頂級會議與期刊審稿人。參與研發的EasyFeature系統支撐了「全球測圖」等國家重大工程，經濟效益逾2億元。開發首個遙感深度學習框架LuoJiaNET，吸引全球5000+用戶；提出LuoJiaSET分類體系，支撐OGCTrainingDML國際標準制定。與華為、百度等企業合作，主導研發28億參數的多模態人機協同大模型LuoJia.SmartSensing（珞珈·靈感），顯著提升了遙感解譯的魯棒性和遷移能力。相關成果榮獲「測繪科學技術特等獎」「地理信息科技進步特等獎」等重要科技獎勵。
目錄
第1章  緒論
  1.1  高解析度遙感影像智能解譯與變化檢測研究概述
  1.2  高解析度遙感影像智能解譯與變化檢測研究現狀
    1.2.1  多源數據增廣
    1.2.2  高解析度影像語義分割
    1.2.3  專題要素提取與互動式分割
    1.2.4  高解析度影像變化檢測
  1.3  高解析度遙感影像智能解譯與變化檢測面臨的挑戰
  1.4  本書的研究內容
  1.5  本章小結
第2章  高解析度遙感影像語義分割層次認知模型
  2.1  引言
  2.2  高解析度影像樣本數據增廣
    2.2.1  生成式對抗網路
    2.2.2  條件生成式對抗網路
    2.2.3  條件最小二乘損失函數與框架設計
    2.2.4  條件最小二乘損失函數與F -散度
    2.2.5  實驗結果分析
  2.3  基於多尺度流形排序的語義分割
    2.3.1  基礎網路結構設計
    2.3.2  代表性網路結構
    2.3.3  影像多尺度編碼
    2.3.4  擴張卷積與感受野
    2.3.5  「擴張-非擴張」對偶卷積層
    2.3.6  多標籤流形排序優化
    2.3.7  基於多策略融合的DMSMR結構
    2.3.8  DMSMR網路結構參數
    2.3.9  實驗結果分析
  2.4  基於旋轉不變目標輔助的語義分割
    2.4.1  深度網路旋轉不變結構設計
    2.4.2  輸入特徵方向擴張
    2.4.3  卷積核分解
    2.4.4  特徵方向規劃
    2.4.5  顧及目標主方向的損失函數設計
    2.4.6  旋轉不變目標檢測網路結構設計
    2.4.7  旋轉不變目標輔助語義分割策略選擇
    2.4.8  實驗結果分析
  2.5  基於場景約束條件下的語義分割
    2.5.1  場景類別信息的融合策略
    2.5.2  場景信息最大似然估計
    2.5.3  交替迭代場景優化演算法
    2.5.4  歸一化模態類別損失均衡化方法
    2.5.5  實驗結果分析
  2.6  本章小結
第3章  顧及拓撲結構與空間上下文的專題要素提取
  3.1  引言
  3.2  顧及拓撲結構的線狀地物要素提取
    3.2.1  中心線與邊界提取
    3.2.2  線狀地物拓撲結構重建
    3.2.3  線狀地物拓撲連接優化

    3.2.4  實驗結果分析
  3.3  顧及空間上下文的面狀地物要素提取
    3.3.1  面狀地物要素的網路結構提取
    3.3.2  空間上下文信息融合
    3.3.3  多尺度目標種子點的預測
    3.3.4  邊界矢量捕捉與優化
    3.3.5  實驗結果分析
  3.4  本章小結
第4章  融合高階注意力機制的互動式目標提取
  4.1  引言
  4.2  傳統自然地物互動式提取方法
    4.2.1  過分割
    4.2.2  特徵提取
    4.2.3  模型的建立與求解
    4.2.4  邊界優化
    4.2.5  部分結果
  4.3  融合高階注意力機制的HOS -NLClick模型
    4.3.1  交互分割方式模擬示例
    4.3.2  PS -NL模型
    4.3.3  HOS -NL高效求解方法
  4.4  自動解譯與人機交互結合
  4.5  實驗結果分析
    4.5.1  數據說明
    4.5.2  實驗方法
    4.5.3  結果分析
  4.6  本章小結
第5章  基於密集連接和幾何結構約束的變化檢測
  5.1  引言
  5.2  顧及多源信息的傳統變化檢測方法
    5.2.1  預處理
    5.2.2  D -DSM獲取
    5.2.3  初始變化對象生成
    5.2.4  融合高程和影像結構特徵的變化對象分類
  5.3  基於密集連接與幾何結構約束的DCGC -CD網路
  5.4  DCGC -CD與相關結構的比較
  5.5  多分支幾何結構約束的損失函數設計
  5.6  實驗結果分析
    5.6.1  數據說明
    5.6.2  實驗方法
    5.6.3  結果分析
  5.7  本章小結
第6章  總結與展望
  6.1  總結
  6.2  展望
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