第1章 緒論 1
1.1 引言 1
1.2 國內(nèi)外研究現(xiàn)狀 3
1.3 本書的主要內(nèi)容 6
1.3.1 研究動(dòng)機(jī) 6
1.3.2 研究內(nèi)容 7
1.4 本書的章節(jié)安排 10
第2章 特征提取策略對(duì)場(chǎng)景分類性能影響的評(píng)估 11
2.1 高分辨率遙感圖像場(chǎng)景分類方法特征提取策略總結(jié) 11
2.2 特征提取策略對(duì)場(chǎng)景分類性能影響的定性評(píng)估 15
2.2.1 手工特征對(duì)場(chǎng)景分類性能影響的定性評(píng)估 16
2.2.2 數(shù)據(jù)驅(qū)動(dòng)特征對(duì)場(chǎng)景分類性能影響的定性評(píng)估 16
2.2.3 手工特征和數(shù)據(jù)驅(qū)動(dòng)特征的定性對(duì)比 17
2.3 特征提取策略對(duì)場(chǎng)景分類性能影響的定量評(píng)估 18
2.3.1 實(shí)驗(yàn)設(shè)置 18
2.3.2 定量評(píng)估結(jié)果 24
2.3.3 定量評(píng)估結(jié)果分析 41
2.3.4 主要數(shù)據(jù)集的復(fù)雜度對(duì)比 42
2.4 本章小結(jié) 43
第3章 監(jiān)督方法對(duì)場(chǎng)景分類性能影響的評(píng)估 44
3.1 定性評(píng)估 44
3.2 定量評(píng)估 45
3.2.1 實(shí)驗(yàn)設(shè)置 45
3.2.2 定量評(píng)估結(jié)果 45
3.2.3 定量評(píng)估結(jié)果分析 49
3.3 本章小結(jié) 51
第4章 自動(dòng)擴(kuò)充標(biāo)注樣本對(duì)場(chǎng)景分類性能的提升 52
4.1 偽樣本生成 52
4.1.1 總體架構(gòu) 53
4.1.2 偽樣本生成過程 54
4.2 一種新的偽樣本篩選定量指標(biāo) 59
4.3 自動(dòng)標(biāo)注樣本的融合 61
4.4 場(chǎng)景分類主干網(wǎng)絡(luò)的選取 62
4.5 融合Focal Loss的深度場(chǎng)景分類網(wǎng)絡(luò) 64
4.5.1 傳統(tǒng)交叉熵?fù)p失函數(shù) 64
4.5.2 Focal Loss損失函數(shù) 66
4.6 實(shí)驗(yàn)驗(yàn)證 67
4.6.1 實(shí)驗(yàn)設(shè)置 67
4.6.2 偽樣本篩選定量指標(biāo)的有效性驗(yàn)證 68
4.6.3 融合擴(kuò)充標(biāo)注樣本和Focal Loss的有效性驗(yàn)證 69
4.6.4 流行算法對(duì)比 71
4.7 本章小結(jié) 78
第5章 基于EMGAN的半監(jiān)督場(chǎng)景分類 80
5.1 EMGAN模型的設(shè)計(jì) 80
5.1.1 總體架構(gòu) 81
5.1.2 判別器模型設(shè)計(jì) 82
5.1.3 生成器模型設(shè)計(jì) 85
5.2 EMGAN模型的訓(xùn)練 87
5.2.1 判別器的損失函數(shù) 87
5.2.2 生成器的損失函數(shù) 89
5.2.3 訓(xùn)練模式 91
5.3 基于融合深度特征的場(chǎng)景分類 91
5.3.1 基于EMGAN的特征提取 92
5.3.2 基于CNN的特征提取 93
5.3.3 特征編碼 95
5.3.4 特征融合及分類 98
5.4 實(shí)驗(yàn)驗(yàn)證 98
5.4.1 場(chǎng)景分類精度的有效性驗(yàn)證 99
5.4.2 EMGAN生成圖像多樣性的有效性驗(yàn)證 109
5.5 本章小結(jié) 112
第6章 總結(jié)與展望 114
6.1 本書研究工作總結(jié) 114
6.2 未來研究工作展望 116
參考文獻(xiàn) 118