第一部分 SAR图像分类与变化检测 3
第1章 基于DC-ResNet的SAR图像目标分类 3
1.1 引言 3
1.2 深度残差网络基础 3
1.2.1 非线性激活函数 4
1.2.2 Dropout操作 4
1.2.3 批规范化 5
1.2.4 全局均值池化 6
1.2.5 跳跃连接 6
1.3 基于DC-ResNet的SAR图像目标分类 7
1.3.1 可变形卷积核 7
1.3.2 可变形卷积残差模块 8
1.3.3 DC-ResNet模型 9
1.4 实验结果与分析 10
1.4.1 实验数据 10
1.4.2 实验环境 13
1.4.3 实验结果分析 13
本章小结 24
参考文献 24
第2章 脊波反卷积结构学习模型 27
2.1 引言 27
2.2 反卷积结构模型 28
2.2.1 经典的反卷积神经网络 28
2.2.2 构造反卷积结构模型的前期实验 28
2.2.3 反卷积结构模型的构造 29
2.2.4 反卷积结构模型的训练过程 32
2.3 脊波反卷积结构学习模型 35
2.3.1 模型的构造 35
2.3.2 模型的训练 37
2.4 混合聚集结构地物像素子空间的SAR图像分割 39
2.4.1 算法描述 39
2.4.2 实验仿真与分析 40
本章小结 47
参考文献 48
第3章 基于改进帧差法与YOLO深度网络的遥感影像目标检测 51
3.1 引言 51
3.2 帧间差分法 52
3.2.1 帧间差分法原理 52
3.2.2 改进帧间差分法 52
3.3 YOLO深度网络 53
3.3.1 YOLO网络的思想与原理 53
3.3.2 YOLO网络损失函数的设计 54
3.3.3 YOLO网络的优势 55
3.4 基于改进帧差法和YOLO深度网络的遥感影像目标检测 56
3.4.1 实验数据准备及预处理 56
3.4.2 基于改进帧差法的遥感影像运动目标检测 58
3.4.3 基于高分辨YOLO深度网络的遥感影像目标检测 59
3.5 实验结果与分析 62
3.5.1 参数设置 62
3.5.2 结果与分析 62
本章小结 65
参考文献 66
第4章 基于多尺度跳跃型卷积网络的SAR图像变化检测 69
4.1 引言 69
4.2 密集型卷积网络 70
4.3 多尺度跳跃型卷积网络 72
4.3.1 多尺度跳跃型卷积网络 72
4.3.2 基于多尺度跳跃型卷积网络的SAR图像变化检测 73
4.4 实验结果与分析 74
4.4.1 邻域尺寸的选择 74
4.4.2 多尺度跳跃型卷积网络的性能 78
本章小结 82
参考文献 82
第5章 基于SPP Net的SAR图像变化检测 86
5.1 引言 86
5.2 无监督方法的SAR图像变化检测 86
5.2.1 深度置信网络 87
5.2.2 模糊C均值聚类算法 90
5.2.3 基于DBN和FCM的SAR图像变化检测 91
5.3 空间金字塔池化网络 92
5.4 基于SPP Net的SAR图像变化检测 94
5.4.1 SPP Net感兴趣区域检测网络的构造 94
5.4.2 SPP Net感兴趣区域检测样本的选择 96
5.4.3 训练过程 97
5.5 实验结果与参数分析 98
5.5.1 数据集 98
5.5.2 基于DBN和FCM的SAR图像变化检测仿真实验 101
5.5.3 参数化分析 102
5.5.4 基于SPP Net的SAR图像变化检测仿真实验 104
本章小结 116
参考文献 117
第6章 基于自步学习和对称卷积耦合网络的SAR图像变化检测 120
6.1 卷积神经网络 120
6.2 SPLPSO算法 121
6.2.1 粒子群优化算法 121
6.2.2 年龄参数对自步学习的影响分析 122
6.2.3 SPLPSO模型构造 123
6.3 SCCN网络 127
6.3.1 网络结构 127
6.3.2 网络的学习优化 128
6.4 基于自适应自步学习和SCCN的SAR图像变化检测 129
6.4.1 算法的基本框架 129
6.4.2 SPL-SCCN理论分析 130
6.4.3 自步学习训练模型 131
6.5 实验结果与分析 131
本章小结 137
参考文献 137
第7章 基于多层特征SENet的SAR图像目标分类方法 140
7.1 引言 140
7.2 数据增强 140
7.3 SENet网络 141
7.3.1 Inception模块 141
7.3.2 残差模块 143
7.3.3 Squeeze-and-excitation网络 143
7.3.4 全局平均池化 144
7.4 基于多层特征SENet的SAR图像目标分类 145
7.4.1 训练数据集的获取及扩充 145
7.4.2 分类网络模型 145
7.5 实验结果与分析 147
本章小结 166
参考文献 166
第二部分 极化SAR图像分类与变化检测 171
第8章 基于GAN网络的极化SAR影像分类 171
8.1 引言 171
8.2 GAN最新进展 172
8.3 面向任务的生成对抗网络 173
8.3.1 模型框架 174
8.3.2 极化SAR数据的生成对抗网（G-Net） 174
8.3.3 判别网络（D-Net） 176
8.3.4 任务网络（T-Net） 176
8.4 实验分析 179
本章小结 184
参考文献 184
第9章 基于阶梯网络模型的极化SAR影像分类 187
9.1 引言 187
9.2 基于图的半监督学习算法 187
9.2.1 半监督学习假设 187
9.2.2 基于图的半监督学习框架 188
9.3 Wishart距离测度 189
9.4 梯形网络原理 189
9.4.1 降噪自动编码器 190
9.4.2 梯形网络结构 191
9.5 基于Wishart梯形网络的极化SAR地物分类 194
9.5.1 构造Wishart图正则 194
9.5.2 Wishart梯形网络 196
9.5.3 基于Wishart梯形网络的极化SAR地物分类 196
9.6 实验结果与分析 197
9.6.1 荷兰Flevoland地区L波段农田小图实验结果 198
9.6.2 美国San Francisco地区数据子图实验结果 203
9.6.3 荷兰Flevoland地区L波段农田图像实验结果 207
9.6.4 荷兰Flevoland地区L波段农田大图 211
本章小结 213
参考文献 214
第10章 基于Wishart深度堆栈网络的极化SAR影像分类 216
10.1 引言 216
10.2 从极化SAR数据到神经网络设计 217
10.2.1 Wishart距离 217
10.2.2 Wishart网络 219
10.3 Wishart深度堆栈网络 223
10.3.1 深度堆栈网络 223
10.3.2 构建W-DSN 224
10.3.3 W-DSN分析 226
10.4 实验分析 226
10.4.1 传统算法与快速算法的比较 227
10.4.2 WN的有效性 227
10.4.3 W-DSN的有效性 231
10.4.4 W-DSN与传统DSN算法比较 233
10.4.5 综合评价 234
本章小结 236
参考文献 237
第11章 基于复数轮廓波卷积神经网络的极化SAR影像分类 239
11.1 复数卷积神经网络 239
11.2 复数轮廓波卷积神经网络的设计及数学分析 241
11.2.1 复数轮廓波卷积神经网络的框架设计 241
11.2.2 复数轮廓波卷积神经网络的数学分析 242
11.3 基于复数轮廓波卷积神经网络的极化SAR图像分类算法 244
11.4 实验条件以及实验结果分析 245
11.4.1 Flevoland数据集 245
11.4.2 San Francisco Bay数据集 248
11.4.3 Germany数据集 249
本章小结 250
参考文献 251
第12章 基于加权卷积神经网络与主动学习的极化SAR影像分类 253
12.1 卷积神经网络 253
12.2 基于加权卷积神经网络的主动学习算法 254
12.3 极化SAR影像分类 256
12.3.1 PolSAR数据集FN15 256
12.3.2 PolSAR数据集SU5 261
本章小结 264
参考文献 264
第13章 基于多尺度深度Directionlet网络的极化SAR图像分类 267
13.1 多尺度卷积神经网络 267
13.2 基于多尺度深度方向波网络的极化SAR图像分类 267
13.3 实验结果与分析 269
13.3.1 实验环境与数据 269
13.3.2 Flevoland数据集 270
13.3.3 Germany数据集 272
13.3.4 San Francisco数据集 275
本章小结 278
参考文献 278
第14章 基于局部受限卷积神经网络的极化SAR影像变化检测 280
14.1 引言 280
14.2 局部受限卷积神经网络 281
14.2.1 任务描述 281
14.2.2 基于CNN的变化检测 283
14.2.3 构建LRCNN 284
14.3 LDls和DELDIs 286
14.3.1 数据分析 286
14.3.2 构建层次差异图LDI 287
14.3.3 构建DELDI 288
14.4 学习策略 291
14.4.1 CNN训练分析 291
14.4.2 LRCNN训练分析 291
14.4.3 训练算法 293
14.5 LRCNN与传统变化检测算法对比 294
14.6 实验分析 296
14.6.1 评价指标 297
14.6.2 模拟数据集 297
14.6.3 东京数据集 306
14.6.4 贵州数据集 307
本章小结 312
参考文献 313
第15章 基于Looking-Around-and-Into网络的极化SAR影像变化检测 315
15.1 引言 315
15.2 LAaI网络 315
15.3 基于LAaI网络的变化检测 317
15.3.1 注意力建议卷积自编码网络 317
15.3.2 递归卷积神经网络 319
15.3.3 学习过程 321
15.4 实验分析 323
15.4.1 候选区域的选取 323
15.4.2 重点区域的多尺度变化检测结果 329
本章小结 332
参考文献 332
第三部分 高光谱影像分类 337
第16章 基于胶囊网络的高光谱影像分类 337
16.1 普通卷积层 337
16.2 Primary Caps层 338
16.3 Digit Caps层 339
16.3.1 层级间的传播与分配过程 339
16.3.2 Dynamic Routing算法 341
16.3.3 损失函数 341
16.4 重构与表示层 341
16.5 基于胶囊网络的高光谱影像分类（HSICC） 342
16.5.1 实验设置 343
16.5.2 实验结果与分析 344
本章小结 351
参考文献 352
第17章 空谱解耦合双通道卷积神经网络的高光谱影像分类 354
17.1 卷积神经网络 354
17.1.1 全卷积神经网络 354
17.1.2 残差网络 355
17.1.3 ROI Align 356
17.2 空谱解耦合双通道CNN 357
17.2.1 光谱模块 357
17.2.2 二维空间卷积神经网络 357
17.2.3 整体模型 358
17.3 实验结果与分析 359
17.3.1 Indian Pines数据集 359
17.3.2 Pavia University数据集 360
17.3.3 Salinas-A数据集 361
本章小结 362
参考文献 362
第四部分 遥感影像解译描述与分类 367
第18章 基于快速区域卷积神经网络的遥感语义描述 367
18.1 引言 367
18.2 快速区域卷积神经网络 367
18.3 基于语义嵌入的快速区域卷积神经网络模型 370
18.3.1 基于快速区域卷积神经网络的特征提取 370
18.3.2 基于双向循环神经网络的文本特征提取 371
18.3.3 基于概率模型的图文匹配 373
18.3.4 基于长短时记忆模型的文本预测 374
18.4 实验设计与结果分析 375
18.4.1 实验设计 375
18.4.2 实验结果及分析 380
本章小结 385
参考文献 385
第19章 基于局部响应卷积递归神经网络的遥感语义描述 387
19.1 引言 387
19.2 视觉响应机制 387
19.3 基于局部响应的卷积递归神经网络 389
19.3.1 模型结构 389
19.3.2 基于局部响应的卷积递归神经网络 390
19.4 实验设计与分析 392
19.4.1 实验设计 392
19.4.2 实验结果与分析 394
本章小结 397
参考文献 398
第20章 语义空间和像素空间信息交互联合推理框架 400
20.1 SAR图像相干斑抑制研究现状和研究动机 400
20.2 高分辨SAR图像的素描图 402
20.2.1 Marr的视觉计算理论 402
20.2.2 光学图像的初始素描模型 403
20.2.3 初始素描图提取方法 405
20.2.4 高分辨SAR图像的素描模型 407
20.2.5 高分辨SAR图像素描图提取方法 408
20.3 结构区域图及其在SAR图像相干斑抑制中的应用 418
20.3.1 高分辨SAR图像的初级视觉语义层 418
20.3.2 抑制相干斑任务驱动的结构区域图的产生 419
20.3.3 基于几何核函数测度和匀质区域搜索的SAR图像相干斑抑制 420
20.4 语义素描图及其在SAR图像相干斑抑制中的应用 427
20.4.1 研究动机 428
20.4.2 语义素描图中方向信息的传递 428
20.4.3 基于几何结构块相似性测度的非局部均值滤波方法 429
20.4.4 基于像素分类和自适应邻域搜索的SAR图像相干斑抑制 431
参考文献 443