掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養(yǎng)秘籍)
-
>
晶體管電路設計(下)
-
>
基于個性化設計策略的智能交通系統(tǒng)關鍵技術
-
>
花樣百出:貴州少數(shù)民族圖案填色
-
>
山東教育出版社有限公司技術轉移與技術創(chuàng)新歷史叢書中國高等技術教育的蘇化(1949—1961)以北京地區(qū)為中心
-
>
鐵路機車概要.交流傳動內燃.電力機車
-
>
利維坦的道德困境:早期現(xiàn)代政治哲學的問題與脈絡
全球遙感數(shù)據(jù)自動化處理技術與系統(tǒng)架構 版權信息
- ISBN：9787030797216
- 條形碼：9787030797216 ; 978-7-03-079721-6
- 裝幀：精裝
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
全球遙感數(shù)據(jù)自動化處理技術與系統(tǒng)架構 內容簡介
遙感數(shù)據(jù)是空間大數(shù)據(jù)的一個子集。面向大數(shù)據(jù)處理，需要新思維指導實踐。新思維之一：尋找多源數(shù)據(jù)不變特征的思維，基于不變特征減弱同地、同譜、同時不同傳感器數(shù)據(jù)之間的不一致性，不同傳感器數(shù)據(jù)可綜合集成應用。本書數(shù)據(jù)處理篇中多源數(shù)據(jù)的幾何一致性處理、輻射一致性處理等都是這一思維指導下的關鍵技術。新思維之二：將信息提取轉化為數(shù)據(jù)智能的思維，一方面構建覆蓋問題空間的樣本集，另一方面構建深度學習模型表達與樣本的深度相似性。本書分類與識別篇的遙感圖像的場景分類、目標檢測、地表覆蓋分類、時間序列分類聚類的關鍵技術都是這一思維的具體體現(xiàn)。新思維之三：云計算和容器技術融合構建技術平臺的思維，可以支撐遙感大數(shù)據(jù)的在線處理和分析。本書的系統(tǒng)架構篇涉及的關鍵技術包括全球多源遙感數(shù)據(jù)的集成和組織技術、信息產品生產流程建模與算法集成優(yōu)化技術、容器化全球多源遙感數(shù)據(jù)信息產品生產系統(tǒng)關鍵設計技術都是這一思想的具體體現(xiàn)。
全球遙感數(shù)據(jù)自動化處理技術與系統(tǒng)架構 目錄
目錄“地球大數(shù)據(jù)科學論叢”序 i前言 iii**篇 數(shù)據(jù)處理第1章 遙感大數(shù)據(jù)處理的新思維 31.1 引言 31.1.1 何謂“大數(shù)據(jù)” 31.1.2 數(shù)據(jù)密集型科學 51.1.3 數(shù)據(jù)密集型科學和大數(shù)據(jù)技術的區(qū)別和聯(lián)系 71.2 數(shù)據(jù)密集型的遙感應用研究 91.3 大數(shù)據(jù)時代遙感數(shù)據(jù)處理的新思維 111.4 小結 19參考文獻 19第2章 多尺度遙感數(shù)據(jù)的幾何歸一化處理 212.1 引言 212.2 為什么需要幾何歸一化處理 222.3 幾何校正自動化實現(xiàn)的關鍵點 232.3.1 控制點提取的發(fā)展脈絡 232.3.2 幾何校正模型的選取和發(fā)展 342.4 誤匹配點檢測方法 352.4.1 研究現(xiàn)狀概述 352.4.2 現(xiàn)有方法問題及改進方向 392.5 基于高精度基準影像的多尺度遙感影像歸一化處理框架和應用 412.5.1 幾何歸一化處理總體框架 412.5.2 正射校正 422.5.3 分層匹配流程 422.5.4 幾何約束SIFT 算法 442.5.5 基于點特征和灰度特征的遙感影像自動匹配方法 462.5.6 實際應用情況及效果 472.6 小結 55參考文獻 56第3章 多源數(shù)據(jù)輻射一致性處理 593.1 引言 593.2 絕對輻射校正 603.2.1 輻射定標 613.2.2 大氣校正 643.2.3 絕對輻射校正軟件介紹 703.3 基于典型相關分析的輻射一致性處理 733.3.1 IR-MAD算法 743.3.2 IR-MAD算法數(shù)據(jù)實驗 793.3.3 基于地物平均光譜的線性相對輻射校正 813.4 基于核典型相關分析的輻射一致性處理 843.5 小結 94參考文獻 94第4章 薄霧去除 974.1 引言 974.2 基于濾波的薄霧去除算法 984.2.1 同態(tài)濾波法 984.2.2 小波變換法 994.2.3 大尺度中值濾波法 1014.3 基于暗通道的薄霧去除算法 1034.3.1 薄霧成像模型 1034.3.2 暗通道先驗 1054.3.3 薄霧精細分布的快速估計 1064.4 定量薄霧去除算法 1094.4.1 輻射傳輸過程中的氣溶膠光學厚度 1094.4.2 區(qū)域直方圖匹配法 1124.5 幾種薄霧去除算法比較 1154.6 基于深度學習的薄霧去除 1204.6.1 基于對抗學習的物理驅動去霧模型 1214.6.2 深度學習訓練樣本庫 1244.6.3 算法優(yōu)化 126參考文獻 130第5章 云/云影檢測與修補 1325.1 云/云影檢測的傳統(tǒng)方法 1325.1.1 算法 1335.1.2 實驗結果 1405.2 云/云影檢測的深度學習方法 1435.2.1 Refined UNet：基于UNet和全連接條件隨機場的云和陰影邊緣精準分割方法 1465.2.2 Refined UNet V2：端到端的云和陰影降噪分割模型 1505.2.3 Refined UNet v3：基于多通道光譜特征的端到端云和陰影快速分割模型 1535.2.4 實驗及結果分析 1565.3 云/云影修補算法 1655.3.1 基于泊松融合的云與云下陰影自動修補算法 1655.3.2 基于核典型相關分析的序列圖像云檢測與修補算法 1745.4 小結 186參考文獻 187第6章 光譜信息和高空間分辨率信息融合 1926.1 引言 1926.2 **融合模型 1966.2.1 SSD模型 1976.2.2 BDSD模型 1986.2.3 MTF-GLP-HPM-PP模型 1986.2.4 PanNet模型 1986.3 PDSD 模型 1986.3.1 模型原理 1986.3.2 網絡結構 2006.4 數(shù)據(jù)融合結果比較與評價 2016.4.1 實驗數(shù)據(jù)集介紹 2016.4.2 實驗評價指標 2026.4.3 實驗流程 2046.4.4 實驗結果與分析 2056.5 小結 214參考文獻 214第7章 時相缺失圖像的插值生成 2187.1 引言 2187.2 線性插值模型及問題 2237.3 基于自適應濾波器的非線性圖像插值方法 2247.3.1 單向的時相間圖像插值生成方法 2257.3.2 雙向的時相間圖像插值生成方法 2257.4 實驗結果與分析 2287.4.1 實現(xiàn)細節(jié) 2287.4.2 結果評價 2337.5 數(shù)據(jù)集的構建實踐 2357.5.1 區(qū)域數(shù)據(jù)的缺失狀況 2357.5.2 數(shù)據(jù)集的構建策略 2357.5.3 生成結果的性能分析 2377.5.4 生成結果的視覺展示 2397.6 小結 241參考文獻 241第二篇 分類與識別第8章 遙感圖像場景分類 2458.1 引言 2458.2 遙感圖像場景分類發(fā)展現(xiàn)狀 2478.3 遙感圖像場景分類的傳統(tǒng)方法 2508.3.1 基于**視覺詞包模型的遙感圖像場景分類方法 2508.3.2 基于二維小波分解的多尺度視覺詞包特征表達與場景分類方法 2518.3.3 基于同心圓結構的旋轉不變性視覺詞包特征表達與場景分類方法 2548.4 遙感圖像場景分類的深度學習方法 2588.4.1 SiftingGAN：自篩選生成對抗網絡的場景分類方法 2588.4.2 CNN-CapsNet：融合膠囊網絡和卷積神經網絡的場景分類方法 2648.5 小結 270參考文獻 270第9章 遙感圖像目標檢測 2759.1 引言 2759.2 遙感圖像目標檢測的傳統(tǒng)思路 2769.2.1 候選區(qū)域提取 2769.2.2 特征提取 2779.2.3 分類器分類 2789.2.4 后處理 2789.3 遙感圖像目標檢測的深度學習方法 2799.4 形狀信息在遙感圖像目標檢測中的應用 2809.4.1 偏向形狀特征的目標檢測樣本擴增方法 2809.4.2 引入形狀先驗約束的目標檢測網絡模型 2849.4.3 融入分類后處理的遙感圖像目標檢測方法 2869.5 多尺度小樣本目標檢測方法 2889.6 小結 291參考文獻 291第10章 樣本處理視角下的遙感圖像地表覆蓋分類 29610.1 引言 29610.2 主動學習：訓練樣本的有效選擇方法 29710.3 半監(jiān)督學習：未標記樣本的使用方法 30110.4 訓練樣本集中錯誤樣本的漸進式剔除方法 30510.5 由弱到強監(jiān)督的訓練樣本提升方法 30810.6 小結 311參考文獻 312第11章 小樣本下空譜關系網絡的地表覆蓋分類 31511.1 高光譜圖像分類概述 31511.1.1 深度卷積神經網絡在高光譜圖像分類中的應用 31811.1.2 高光譜圖像分類模型遷移學習現(xiàn)狀 32011.1.3 高光譜圖像分類方法存在的問題 32111.2 相關工作簡介 32311.2.1 空間金字塔池化和自適應池化 32311.2.2 關系網絡 32411.3 空譜關系網絡 32611.3.1 用于特征提取的三維嵌入模塊 32811.3.2 用于相似性度量的三維關系模塊 33011.4 自適應空譜關系網絡的遷移學習 33111.4.1 自適應空譜金字塔池化 33211.4.2 ASSP-SSRN 預訓練部分 33311.4.3 ASSP-SSRN 微調部分 33511.5 SS-RN 性能驗證與分析 33611.5.1 實驗數(shù)據(jù)描述和實驗設計 33611.5.2 網絡參數(shù)選擇 34011.5.3 訓練時間分析 34611.5.4 SS-RN 深度特征的可視化 34711.5.5 SS-RN 與之前深度學習方法的對比 34911.5.6 基于ASSP-SSRN 的遷移學習實驗結果 35411.6 小樣本下空譜關系網絡應用小結 358參考文獻 360第12章 遙感影像時間序列聚類與分類 36412.1 引言 36412.2 遙感影像時間序列的構成 36612.3 基于相似性度量的遙感影像時間序列聚類/分類 36712.3.1 時間序列相似性度量方法的發(fā)展脈絡 36712.3.2 動態(tài)時間規(guī)整 36812.3.3 動態(tài)時間規(guī)整的路徑約束 37212.3.4 動態(tài)時間規(guī)整的變種方法 37412.3.5 動態(tài)時間規(guī)整的下界距離與提前終止 37812.3.6 遙感影像時間序列種子聚類與分類框架 38012.4 基于深度學習的遙感影像時間序列分類 38312.4.1 時間序列分類網絡的發(fā)展脈絡 38312.4.2 時序卷積網絡 38612.4.3 長短期記憶網絡 38612.4.4 時序自注意力網絡 38812.4.5 網絡結構與遙感數(shù)據(jù)特征 39312.5 小結 393參考文獻 394第三篇 系統(tǒng)架構第13章 全球多源遙感數(shù)據(jù)的集成和組織 40113.1 引言 40113.2 多源遙感數(shù)據(jù)格式統(tǒng)一抽象模型 40213.2.1 幾種常見遙感數(shù)據(jù)格式與格式庫 40213.2.2 遙感數(shù)據(jù)格式與庫分析 40213.2.3 統(tǒng)一格式抽象庫設計與實現(xiàn) 40613.3 結合數(shù)據(jù)尺度和產品類型的多源多尺度遙感數(shù)據(jù)協(xié)同剖分體系 40813.3.1 數(shù)據(jù)剖分體系 40913.3.2 多源遙感數(shù)據(jù)立方體協(xié)同生成流程 41313.3.3 邏輯數(shù)據(jù)立方體協(xié)同生成 41413.3.4 實體數(shù)據(jù)立方體協(xié)同生成 41713.4 小結 419參考文獻 419第14章 全球多源遙感數(shù)據(jù)信息產品生產流程建模與算法集成 42114.1 引言 42114.2 遙感產品生產架構 42214.3 產品生產架構形式化表達與服務化集成 42414.3.1 產品生產架構形式化表達 42414.3.2 產品生產流程腳本生成 42714.3.3 流程建模過程中不確定問題的處理策略 42814.3.4 遙感產品算法服務化集成 43014.4 遙感產品并行處理框架 43214.4.1 遙感產品處理算法的運算特點 43214.4.2 上層粗粒度任務并行處理 43614.4.3 下層基于內存的圖像加速處理 43814.5 小結 440參考文獻 441第15章 容器化全球多源遙感數(shù)據(jù)信息產品生產系統(tǒng)關鍵
展開全部
書友推薦
- >
月亮與六便士
- >
詩經-先民的歌唱
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學概述
- >
中國歷史的瞬間
- >
二體千字文
- >
隨園食單
- >
朝聞道
- >
羅庸西南聯(lián)大授課錄
本類暢銷
