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 研究動機 6
1.3.2 研究內(nèi)容 7
1.4 本書的章節(jié)安排 10
第2章 特征提取策略對場景分類性能影響的評估 11
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) 11
2.2 特征提取策略對場景分類性能影響的定性評估 15
2.2.1 手工特征對場景分類性能影響的定性評估 16
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 16
2.2.3 手工特征和數(shù)據(jù)驅(qū)動特征的定性對比 17
2.3 特征提取策略對場景分類性能影響的定量評估 18
2.3.1 實驗設(shè)置 18
2.3.2 定量評估結(jié)果 24
2.3.3 定量評估結(jié)果分析 41
2.3.4 主要數(shù)據(jù)集的復(fù)雜度對比 42
2.4 本章小結(jié) 43
第3章 監(jiān)督方法對場景分類性能影響的評估 44
3.1 定性評估 44
3.2 定量評估 45
3.2.1 實驗設(shè)置 45
3.2.2 定量評估結(jié)果 45
3.2.3 定量評估結(jié)果分析 49
3.3 本章小結(jié) 51
第4章 自動擴充標(biāo)注樣本對場景分類性能的提升 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 自動標(biāo)注樣本的融合 61
4.4 場景分類主干網(wǎng)絡(luò)的選取 62
4.5 融合Focal Loss的深度場景分類網(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 實驗驗證 67
4.6.1 實驗設(shè)置 67
4.6.2 偽樣本篩選定量指標(biāo)的有效性驗證 68
4.6.3 融合擴充標(biāo)注樣本和Focal Loss的有效性驗證 69
4.6.4 流行算法對比 71
4.7 本章小結(jié) 78
第5章 基于EMGAN的半監(jiān)督場景分類 80
5.1 EMGAN模型的設(shè)計 80
5.1.1 總體架構(gòu) 81
5.1.2 判別器模型設(shè)計 82
5.1.3 生成器模型設(shè)計 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 實驗驗證 98
5.4.1 場景分類精度的有效性驗證 99
5.4.2 EMGAN生成圖像多樣性的有效性驗證 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