本书系统介绍高光谱遥感图像智能分类的理论基础、关键方法与应用实践。全书从高光谱遥感成像机理、数据特征、典型应用和常用数据集入手，梳理传统分类方法与深度学习分类技术的发展脉络，重点阐述残差网络、多层感知机、 Vision Transformer、集成学习、随机森林、度量学习、神经网络架构搜索、元学习等方法在高光谱图像分类中的建模思路与实验验证。同时，本书进一步讨论高光谱与LiDAR多源数据协同分类、空谱域适应与跨场景分类等前沿问题，力求呈现从基础理论、模型设计到实验分析的完整技术体系。
样章试读
目录
- 目录
前言
第1章 绪论 1
1.1 概述 1
1.1.1 遥感的现状与发展 1
1.1.2 高光谱遥感现状与发展 2
1.2 高光谱遥感影像成像原理与数据特征 4
1.2.1 高光谱遥感成像原理 4
1.2.2 高光谱遥感数据特点 5
1.3 高光谱遥感技术的应用 8
1.3.1 农业研究中的应用 9
1.3.2 植被覆盖研究中的应用 10
1.3.3 地质矿产研究中的应用 11
1.3.4 海洋和湖泊水质监测中的应用 12
1.3.5 军事领域中的应用 13
1.4 高光谱分类的研究现状 13
1.4.1 基于传统方法的高光谱图像分类 14
1.4.2 基于深度学习方法的高光谱图像分类 16
1.5 高光谱图像数据集 20
1.5.1 Indian Pines数据集 20
1.5.2 Pavia University数据集 21
1.5.3 Kennedy Space Center数据集 22
1.5.4 Salinas数据集 23
1.5.5 徐州矿区数据集 25
1.5.6 WHU？Hi？LongKou数据集 25
1.5.7 WHU？Hi？HanChuan数据集 26
1.5.8 Houston2013数据集 28
1.5.9 Trento数据集 29
参考文献 30
第2章 残差网络结合动态卷积和三重注意力机制的HSI分类 37
2.1 卷积神经网络理论基础 37
2.1.1 卷积神经网络原理 37
2.1.2 卷积神经网络结构 38
2.2 残差网络 40
2.2.1 残差单元 41
2.2.2 残差网络参数及其变体 42
2.2.3 结合动态卷积改进的残差网络 43
2.3 结合动态卷积和三重注意力机制改进的残差网络模型 48
2.3.1 PCA降维处理 49
2.3.2 注意力机制 50
2.4 实验结果与分析 56
2.4.1 实验参数设定 56
2.4.2 实验分析 57
参考文献 64
第3章 多层感知机结合残差学习的HSI分类方法 66
3.1 多层感知机概述 66
3.1.1 神经元模型 66
3.1.2 感知机与多层网络 68
3.2 多层感知机现状与发展 69
3.3 重参数化方法概述及应用 70
3.3.1 提高模型性能 70
3.3.2 模型剪裁 73
3.4 重参数化多层感知机算法描述 75
3.5 重参数化多层感知机结合残差网络算法描述 79
3.6 重参数化多层感知机结合多分支特征融合算法 80
3.6.1 多分支特征的融合 81
3.6.2 特征输出的可视化和分析 85
3.7 重参数化多层感知机结合残差网络方法实验结果分析 85
3.7.1 Indian Pines数据集的实验结果分析 88
3.7.2 Pavia University数据集的实验结果分析 90
3.7.3 徐州矿区数据集的实验结果分析 92
3.8 重参数化多层感知机结合多分支特征融合方法实验结果分析 95
3.8.1 WHU？Hi？LongKou农业数据集的实验结果分析 97
3.8.2 WHU？Hi？HanChuan农业数据集的实验结果分析 99
参考文献 101
第4章 空谱结合Vision Transformer的HSI分类方法 104
4.1 Vision Transformer方法 104
4.1.1 Transformer发展 104
4.1.2 Vision Transformer原理 105
4.2 基于空谱结合的改进Vision Transformer的HSI分类模型 110
4.3 实验结果与分析 113
参考文献 117
第5章 深度学习集成的HSI随机子空间分类 119
5.1 集成学习理论基础 120
5.1.1 集成学习原理 120
5.1.2 集成学习结构 120
5.2 集成学习方法 121
5.3 基于深度学习集成的高光谱数据分类模型 122
5.3.1 深度学习集成结构设计及参数设置 122
5.3.2 随机特征子空间选择 124
5.4 基于深度学习迁移集成的高光谱数据分类模型 124
5.4.1 迁移学习原理 124
5.4.2 深度学习迁移集成网络结构设计 125
5.5 实验结果分析 126
5.5.1 深度学习集成的高光谱数据分类实验结果 126
5.5.2 深度学习迁移集成的高光谱数据分类实验结果 128
参考文献 133
第6章 深度学习集成的HSI随机森林分类算法 134
6.1 随机森林理论基础 134
6.1.1 自助采样 134
6.1.2 随机森林原理 135
6.2 基于深度学习集成的高光谱数据随机森林分类模型 136
6.2.1 随机森林结构 136
6.2.2 集成随机森林结构设计及参数设置 137
6.3 基于深度学习迁移集成的高光谱数据随机森林分类模型 138
6.4 实验结果分析 139
6.4.1 深度学习集成的随机森林分类实验结果 139
6.4.2 深度学习迁移集成的随机森林分类实验结果 141
参考文献 146
第7章 基于度量学习的HSI分类方法 147
7.1 度量学习的分类及其特点 147
7.1.1 度量学习的定义 147
7.1.2 度量学习的分类 148
7.1.3 基于深度度量学习的高光谱图像分类 149
7.2 基于度量学习的HSI分类算法设计 152
7.2.1 构建支持集及查询集 152
7.2.2 小样本图像分类数据集和评价指标 153
7.2.3 小样本学习术语与数据采样算法 156
7.2.4 构建关系网络模型 157
7.3 基于度量学习的HSI分类方法的实验结果分析 162
7.3.1 实验参数设置 162
7.3.2 实验结果与分析 166
参考文献 170
第8章 基于神经网络架构搜索的HSI分类方法 172
8.1 高效神经网络架构搜索方法 173
8.1.1 搜索空间 174
8.1.2 搜索策略 177
8.1.3 性能评估方法 184
8.2 基于神经网络架构搜索的HSI分类模型 188
8.2.1 引入注意力机制的搜索空间 189
8.2.2 余弦幂次退火学习率调整策略 192
8.2.3 标签平滑正则化方法 195
8.3 基于混合搜索空间的神经网络架构搜索的HSI分类模型 196
8.3.1 圆形核卷积 197
8.3.2 β？衰减正则化方法 199
8.3.3 置信学习率方法 202
8.4 实验结果分析 204
8.4.1 基于神经网络架构搜索的分类模型实验结果分析 204
8.4.2 基于混合搜索空间NAS的分类模型的实验结果分析 212
参考文献 224
第9章 基于元学习的HSI分类算法 225
9.1 元学习理论 225
9.1.1 元学习的概念及分类 225
9.1.2 元学习训练策略 227
9.2 元学习算法概述 228
9.3 空谱联合迁移网络模块 230
9.3.1 结合SE？Net注意力机制的光谱特征提取网络 230
9.3.2 结合迁移学习的空间特征提取网络 231
9.3.3 基于门控融合机制的光谱？空间融合特征提取 232
9.4 实验结果与分析 233
9.4.1 实验参数设置 233
9.4.2 不同模型分类结果分析 233
参考文献 237
第10章 双分支卷积神经网络的HSI与LiDAR数据协同分类算法研究 238
10.1 数据融合分类 238
10.2 基于跨模态的双分支高光谱与LiDAR数据协同分类方法设计 242
10.2.1 HSI分支的特征提取 244
10.2.2 LiDAR分支的特征提取 244
10.2.3 跨模态增强 246
10.3 基于ASPP和MHSA的HSI与LiDAR数据协同分类算法设计 249
10.3.1 算法概述 249
10.3.2 特征提取模块设计 250
10.4 特征融合机制模块设计 254
10.4.1 特征融合 254
10.4.2 网络训练和测试 255
10.5 实验结果与分析 256
参考文献 261
第11章 空谱域适应与XGBoost结合的跨场景HSI分类 262
11.1 域适应的基本理论 262
11.1.1 域适应定义 263
11.1.2 域适应方法 264
11.1.3 集成算法 269
11.2 基于域适应与XGBoost集成的跨场景分类模型 273
11.2.1 SSDAX模型架构 273
11.2.2 空谱注意力模型 274
11.2.3 三层空谱域适应 276
11.2.4 XGBoost 277
11.3 实验结果与分析 279
11.3.1 实验平台及参数 279
11.3.2 实验对比及分析 279
参考文献 286
京公网安备 11010102004214号