基于深度学习的高分辨率遥感图像场景分类

钱晓亮，男，副教授，硕士生导师，2013年毕业于西北工业大学自动化学院，获工学博士学位，目前在郑州轻工业大学电气信息工程学院工作。主要研究方向为人工智能，高分遥感图像解译，机器视觉检测。主持国家自然科学基金面上项目、青年科学基金项目，河南省科技攻关项目，河南省高等学校重点科研项目等多项纵向科研项目，主持企业委托的横向项目3项，到账金额300余万元。获河南省教育厅科技成果奖一等奖、河南省科技进步二等奖和三等奖各1项。作为/通讯作者发表学术论文24篇，其中SCI论文11篇，EI论文10篇，中文核心论文3篇。授权发明18项，其中发明人8项，第二发明人4项。目前是IEEE、中国自动化学会、中国计算机学会、中国图象图形学会的会员。担任IEEE TGRS, IEEE JSTARS, IEEE SPL, Artifi Intelligence Review，Neurocomputing等10余本靠前SCI期刊，以及遥感学报、吉林大学学报（工学版）、工程科学学报等国内很好EI源期刊的审稿专家。

第1章 绪论

 1.1 引言

 1.2 国内外研究现状

 1.3 本书的主要内容

 1.3.1 研究动机

 1.3.2 研究内容

 1.4 本书的章节安排

第2章 特征提取策略对场景分类性能影响的评估

 2.1 高分辨率遥感图像场景分类方法特征提取策略总结

 2.2 特征提取策略对场景分类性能影响的定性评估

 2.2.1 手工特征对场景分类性能影响的定性评估

 2.2.2 数据驱动特征对场景分类性能影响的定性评估

 2.2.3 手工特征和数据驱动特征的定性对比

 2.3 特征提取策略对场景分类性能影响的定量评估

 2.3.1 实验设置

 2.3.2 定量评估结果

 2.3.3 定量评估结果分析

 2.3.4 主要数据集的复杂度对比

 2.4 本章小结

第3章 监督方法对场景分类性能影响的评估

 3.1 定性评估

 3.2 定量评估

 3.2.1 实验设置

 3.2.2 定量评估结果

 3.2.3 定量评估结果分析

 3.3 本章小结

第4章 自动扩充标注样本对场景分类性能的提升

 4.1 伪样本生成

 4.1.1 总体架构

 4.1.2 伪样本生成过程

 4.2 一种新的伪样本筛选定量指标

 4.3 自动标注样本的融合

 4.4 场景分类主干网络的选取

 4.5 融合Focal Loss的深度场景分类网络

 4.5.1 传统交叉熵损失函数

 4.5.2 Focal Loss损失函数

 4.6 实验验证

 4.6.1 实验设置

 4.6.2 伪样本筛选定量指标的有效性验证

 4.6.3 融合扩充标注样本和Focal Loss的有效性验证

 4.6.4 流行算法对比

 4.7 本章小结

第5章 基于EMGAN的半监督场景分类

 5.1 EMGAN模型的设计

 5.1.1 总体架构

 5.1.2 判别器模型设计

 5.1.3 生成器模型设计

 5.2 EMGAN模型的训练

 5.2.1 判别器的损失函数

 5.2.2 生成器的损失函数

 5.2.3 训练模式

 5.3 基于融合深度特征的场景分类

 5.3.1 基于EMGAN的特征提取

 5.3.2 基于CNN的特征提取

 5.3.3 特征编码

 5.3.4 特征融合及分类

 5.4 实验验证

 5.4.1 场景分类精度的有效性验证

 5.4.2 EMGAN生成图像多样性的有效性验证

 5.5 本章小结

第6章 总结与展望

 6.1 本书研究工作总结

 6.2 未来研究工作展望

参考文献

高分辨率遥感图像场景分类是遥感影像解译中的一个关键任务，具有广泛的应用前景。本书介绍了高分辨率遥感图像场景分类的基本知识和现有的研究方法，并系统总结了作者在基于深度学习的高分辨率遥感图像场景分类方面的研究工作。 全书共6章，第1章介绍了高分辨率遥感图像场景分类的定义、研究背景和现有研究工作，以及本书的主要内容：第2～3章将特征提取策略和监督方法对高分辨率遥感图像场景分类性能的影响进行了定性分析与定量实验评估；第4～5章介绍了两种不同解决思路的高分辨率遥感图像场景分类方法，以解决人工标注成本较高的问题；第6章对本书的主要内容进行总结，并对未来的研究工作进行展望。第2～5章都附有相关的实验验证工作，以便有兴趣的读者进一步钻研探索。 本书既可为高等院校控制科学与工程、人工智能、计算机科学、地球科学、电气工程等领域的研究人员和工程技术人员提供参考，也可作为相关专业高年级本科生和研究生的教学参考书。