深度學習遙感圖像處理及應用 陳磊 劉穎 李洋 9787118131147 【台灣高等教育出版社】

內容簡介
隨著遙感技術的不斷進步和深度學習算法的快速發展，深度學習在遙感圖像處理中的應用正變得越來越廣泛。
《深度學習遙感圖像處理及應用》從深度學習與遙感圖像處理的相關背景開始，系統地介紹了深度學習在遙感圖像處理和分析中的新進展和應用。
《深度學習遙感圖像處理及應用》共分為六章，以遙感圖像飛機目標檢測、艦船目標檢測、遙感圖像建築物提取及遙感圖像土地語義分割為例，詳細介紹了遙感數據集的增強方法、數據預處理方法、特徵提取方法和模型評估方法等，並在通用遙感數據集上對幾種遙感圖像處理方法進行了設計、驗證和評估。
《深度學習遙感圖像處理及應用》旨在為遙感圖像處理和深度學習算法的初學者和高級研究者提供一個全面的學習指南，同時也為深度學習在遙感圖像處理和應用領域的研究和應用提供重要的參考和技術支持。

作者簡介
陳磊，工學博士，主要從事深空遙控成像技術及遙感圖像處理技術的研究，承接了天問1號、2號、探月4期、仰望1號等多項深空探測任務的載荷研製，同時承擔了吉林省科技廳科技重大科技攻關任務2項，發表論文10餘篇，申請專利5項，獲得吉林省科技進步二等獎1項，航天科技集團科技進步二等獎1項。

目錄

前言/序言
近年來，隨著航天遙感技術的迅速發展和大規模遙感圖像數據的獲取，利用深度學習技術處理遙感圖像已成為一個熱門的研究領域，它以出色的特徵學習和表徵能力，為遙感圖像處理帶來了革命性的突破。深度學習網絡能夠從遙感圖像中自動學習和提取高層次的語義信息，實現更準確、高效的圖像分類、目標檢測和場景理解。
深度學習在遙感領域的應用主要表現出以下特點：
（1）性能不斷提升。隨著模型和算法的不斷優化，深度學習在各類遙感任務中的性能指標如準確率、召回率等都有明顯提升。
（2）模型規模不斷增大。從早期的AlexNet到後來的ResNet、VGG等深層網絡，模型結構不斷加深、加寬，參數和計算量大幅增加。
（3）數據驅動能力增強。深度學習依賴大量數據訓練，隨著遙感數據規模和類別的擴大，模型學習能力不斷增強。
（4）預訓練技術成熟。利用ImageNet和其他大規模數據集預訓練權值，有效提升了小樣本遙感任務的效果。
（5）多模態數據融合。不僅利用單模態遙感數據，而且開始結合多源數據如光學、雷達等進行深度學習。
（6）應用場景擴展。從農業監測擴展到城市規劃、資源環境監測等多個垂直領域。
（7）工業化進程加速。深度學習算法在國內外多個遙感應用產品中得到廣泛應用，推動了遙感大數據處理工業化。
（8）開源庫和平台成熟。Caffe、TensorFlow等開源框架支持遙感深度學習應用，國內也出現了專註遙感的深度學習平台。
總之，深度學習技術在遙感圖像處理方面的應用，不僅可以提高圖像處理的效率和精度，而且可以為城市規劃、土地利用、軍事目標檢測和識別等領域提供新的思路和方法。因此，深度學習技術是未來遙感圖像處理中必不可少的一部分。
本書共分為六章，第1章為深度學習遙感圖像處理技術的研究意義，主要介紹我國高清遙感衛星的發展情況，深度學習在遙感領域的應用優勢，以及深度學習方法在遙感目標檢測與識別、建築物提取和土地語義分割等方面的研究現狀；第2章為深度學習基礎理論，分別從卷積神經網絡、典型深度學習算法及網絡輕量化相關理論三個方面對深度學習的基礎理論和原理進行介紹和說明：第3章為遙感飛機目標檢測與識別技術；第4章為遙感艦船目標檢測與識別技術；第5章為遙感圖像建築物提取技術；第6章為遙感圖像土地提取技術。
深度學習在遙感領域的應用及發展方興未艾，其在軍事、民用等多個領域有著廣闊的應用前景，人工智能技術、衛星技術及芯片技術的發展必將加快推進深度學習技術在遙感領域的應用。受作者水平限制，對一些問題的闡述可能不夠全面，書中難免出現不足和疏漏之處，敬請廣大讀者批評指正。