基于深度學習的高分辨率遙感圖像場景分類

第1章 緒論\t1
1．1 引言\t1
1．2 國內(nèi)外研究現(xiàn)狀\t3
1．3 本書的主要內(nèi)容\t6
1．3．1 研究動機\t6
1．3．2 研究內(nèi)容\t7
1．4 本書的章節(jié)安排\t10
第2章 特征提取策略對場景分類性能影響的評估\t11
2．1 高分辨率遙感圖像場景分類方法特征提取策略總結(jié)\t11
2．2 特征提取策略對場景分類性能影響的定性評估\t15
2．2．1 手工特征對場景分類性能影響的定性評估\t16
2．2．2 數(shù)據(jù)驅(qū)動特征對場景分類性能影響的定性評估\t16
2．2．3 手工特征和數(shù)據(jù)驅(qū)動特征的定性對比\t17
2．3 特征提取策略對場景分類性能影響的定量評估\t18
2．3．1 實驗設置\t18
2．3．2 定量評估結(jié)果\t24
2．3．3 定量評估結(jié)果分析\t41
2．3．4 主要數(shù)據(jù)集的復雜度對比\t42
2．4 本章小結(jié)\t43
第3章 監(jiān)督方法對場景分類性能影響的評估\t44
3．1 定性評估\t44
3．2 定量評估\t45
3．2．1 實驗設置\t45
3．2．2 定量評估結(jié)果\t45
3．2．3 定量評估結(jié)果分析\t49
3．3 本章小結(jié)\t51
第4章 自動擴充標注樣本對場景分類性能的提升\t52
4．1 偽樣本生成\t52
4．1．1 總體架構(gòu)\t53
4．1．2 偽樣本生成過程\t54
4．2 一種新的偽樣本篩選定量指標\t59
4．3 自動標注樣本的融合\t61
4．4 場景分類主干網(wǎng)絡的選取\t62
4．5 融合Focal Loss的深度場景分類網(wǎng)絡\t64
4．5．1 傳統(tǒng)交叉熵損失函數(shù)\t64
4．5．2 Focal Loss損失函數(shù)\t66
4．6 實驗驗證\t67
4．6．1 實驗設置\t67
4．6．2 偽樣本篩選定量指標的有效性驗證\t68
4．6．3 融合擴充標注樣本和Focal Loss的有效性驗證\t69
4．6．4 流行算法對比\t71
4．7 本章小結(jié)\t78
第5章 基于EMGAN的半監(jiān)督場景分類\t80
5．1 EMGAN模型的設計\t80
5．1．1 總體架構(gòu)\t81
5．1．2 判別器模型設計\t82
5．1．3 生成器模型設計\t85
5．2 EMGAN模型的訓練\t87
5．2．1 判別器的損失函數(shù)\t87
5．2．2 生成器的損失函數(shù)\t89
5．2．3 訓練模式\t91
5．3 基于融合深度特征的場景分類\t91
5．3．1 基于EMGAN的特征提取\t92
5．3．2 基于CNN的特征提取\t93
5．3．3 特征編碼\t95
5．3．4 特征融合及分類\t98
5．4 實驗驗證\t98
5．4．1 場景分類精度的有效性驗證\t99
5．4．2 EMGAN生成圖像多樣性的有效性驗證\t109
5．5 本章小結(jié)\t112
第6章 總結(jié)與展望\t114
6．1 本書研究工作總結(jié)\t114
6．2 未來研究工作展望\t116
參考文獻\t118