|
关于我们
新书资讯 新书推荐 |
卫星遥感智能解译技术与平台 本书面向遥感数据处理与智能分析的前沿技术及应用,介绍了遥感数据组织、智能处理与分析技术,以及集成化平台构建等内容。首先概述遥感与人工智能的融合趋势,随后探讨就绪化影像处理、地表覆盖分类与变化检测、高光谱影像分析、目标检测与跟踪、时序数据分析等关键技术,并介绍遥感云计算平台的架构与应用。最后,展望通用基础模型、星上智能处理等未来发展方向,为遥感技术的创新与实践提供参考。 本书为遥感技术的创新与实践提供参考。 图像图形智能处理理论与技术前沿 卫星遥感智能解译技术与平台 孟瑜孙显高连如邓毓弸 刘帝佑霍连志陈静波著 本书封面贴有清华大学出版社防伪标签,无标签者不得销售。 版权所有,侵权必究。举报: 010?62782989, beiqinquan@tup.tsinghua.edu.cn。 图书在版编目 (CIP) 数据 卫星遥感智能解译技术与平台 / 孟瑜等著. ?? 北京 : 清华大学出版社, 2026. 3. (图像图形智能处理理论与技术前沿). ?? ISBN 978?7?302?70423?2 Ⅰ. TP75 中国国家版本馆CIP数据核字第2025D0D436号 责任编辑: 刘杨 封面设计: 钟达 责任校对: 欧洋 责任印制: 沈露 出版发行: 清华大学出版社 网址: https://www.tup.com.cn, https://www.wqxuetang.com 地址: 北京清华大学学研大厦A座 邮编: 100084 社总机: 010?83470000邮购: 010?62786544 投稿与读者服务: 010?62776969, c?service@tup.tsinghua.edu.cn 质量反馈: 010?62772015, zhiliang@tup.tsinghua.edu.cn 印装者: 涿州市般润文化传播有限公司 经销: 全国新华书店 开本: 170mm×240mm印张: 37.75〓〓 字数: 779千字 版次: 2026年3月第1版印次: 2026年3月第1次印刷 定价: 239.00元 产品编号: 104113?01 丛书编委会名单 主任: 王耀南 委员(按姓氏笔画排序): 于晓马占宇马惠敏王程王生进 王维兰庄红权刘勇刘国栋杨鑫 库尔班·吾布力汪国平汶德胜沈丛 张浩鹏陈宝权孟瑜赵航芳袁晓如 徐晓刚郭菲陶建华喻莉熊红凯 戴国忠 丛书序 “人工智能是我们人类正在从事的、最为深刻的研究方向之一,甚至要比火与电还更加深刻。”正如谷歌CEO桑达尔·皮查伊所说,“智能”已经成为当今科技发展的关键词。而在智能技术的高速发展中,计算机图像图形处理技术与计算机图形学犹如一对默契的舞伴,相辅相成,为社会进步做出了巨大的贡献。 图像图形智能处理技术是人工智能研究与图像图形处理技术的深度融合,是一种数字化、网络化、智能化的技术。随着新一轮科技革命的到来,图像图形智能处理技术已经进入了一个高速发展的阶段。在计算机、人工智能、计算机图形学、计算机视觉等技术不断进步的同时,图像图形智能处理技术已经实现了从单一领域到多领域的拓展,从单一任务到多任务的转变,从传统算法到深度学习的升级。 图像图形智能处理技术被广泛应用于各个行业,改变了公众的生活方式,提高了工作效率。如今,图像图形智能处理技术已经成为医学、自动驾驶、智慧安防、生产制造、游戏娱乐、信息安全等领域的重要技术支撑,对推动产业技术变革和优化升级具有重要意义。 在《新一代人工智能发展规划》的引领下,人工智能技术不断推陈出新,人工智能与实体经济深度融合成为重要的战略目标。智慧城市、智能制造、智慧医疗等领域的快速发展为图像图形智能处理技术的研究与应用提供了广阔的发展和应用空间。在这个背景下,为国家人工智能的发展培养与图像图形智能处理技术相关的专业人才已成为时代的需求。 当前在新一轮科技革命和产业变革的历史性交汇中,图像图形智能处理技术正处于一个关键时期。虽然图像图形智能处理技术已经在很多领域得到了广泛应用,但仍存在一些问题,如算法复杂度、数据安全性、模型可解释性等,这也对图像图形智能处理技术的进一步研究和发展提出了新的要求和挑战。这些挑战既来自于技术的不断更新和迭代,也来自于人们对于图像图形智能处理技术的不断追求和探索。如何更好地提高图像的视觉感知质量,如何更准确地提取图像中的特征信息,如何更科学地对图像数据进行变换、编码和压缩,成为国内外科技工作者和创新企业竞相探索的新方向。 为此,中国图象图形学学会和清华大学出版社共同策划了“图像图形智能处理理论与技术前沿”系列丛书。丛书包括21个分册,以图像图形智能处理技术为主线,涵盖了多个领域和方向,从智能成像与感知、智能图像图形处理技术、智能视频分析技术、三维视觉与虚拟现实技术、视觉智能应用平台等多个维度,全面介绍该领域的最新研究成果、技术进展和应用实践。编写本丛书旨在为从事图像图形智能处理研究、开发与应用的人员提供技术参考,促进技术交流和创新,推动我国图像图形智能处理技术的发展与应用。本丛书将采用传统出版与数字出版相融合的形式,通过二维码融入文档、音频、视频、案例、课件等多种类型的资源,帮助读者进行立体化学习,加深理解。 图像图形智能处理技术作为人工智能的重要分支,不仅需要不断推陈出新的核心技术,更需要在各个领域中不断拓展应用场景,实现技术与产业的深度融合。因此,在急需人才的关键时刻,出版这样一套系列丛书具有重要意义。 在编写本丛书的过程中,我们得到了各位作者、审读专家和清华大学出版社的大力支持和帮助,在此表示由衷的感谢。希望本丛书的出版能为广大读者提供有益的帮助和指导,促进图像图形智能处理技术的发展与应用,推动我国图像图形智能处理技术走向更高的水平! 中国图象图形学学会理事长 前言 卫 星遥感对地观测在国民经济各行业和国防建设中具有重要应用价值。数据层面,多平台、多模态、多传感器、多角度、多谱段和多时相卫星遥感数据等大幅提升了对地观测能力。信息层面,多模态和大模型技术的迅猛发展正在引发人工智能领域的深刻变革,这些技术革新与遥感技术的紧密融合及持续创新,不仅推动了遥感数据处理与分析算法的智能化进程,也为各行各业提供了更丰富的信息产品。平台层面,遥感图像处理平台的功能特点也逐渐从遥感数据基本处理向信息提取延伸,集成智能算法插件的遥感智能解译平台及基于其研发的面向各领域行业的软件系统,成为遥感产业化发展的重要抓手。 本书结合作者在常见遥感智能解译任务中的技术积累,对人工智能赋能遥感信息提取的研究相关工作进行了介绍,涵盖数据组织、信息提取及系统平台,全书共分为9章。第1章为卫星遥感智能解译技术与平台概述,介绍遥感技术和人工智能的基本概念,讨论两者融合带来的新兴技术和平台的创新进展。第2章介绍影像就绪化处理技术,包括遥感卫星影像预处理,影像立方体的概念、设计与构建,就绪化流程及系统应用等关键内容。第3~7章分别探讨不同类型任务涉及的遥感智能解译技术。第3章聚焦地表覆盖提取分类,结合实际案例讨论大范围地表覆盖产品的分类策略、系统构建及应用实践。第4章聚焦地表覆盖变化检测,介绍像素级、对象级和变化检测框架,并通过实际案例展示变化检测系统的实现。第5章主要探讨高光谱影像分类与探测,介绍常用的高光谱影像数据集,重点讨论高光谱影像在要素分类与目标探测中的应用。第6章聚焦遥感影像中的目标检测、识别与跟踪,介绍多模态影像中目标检测、识别与跟踪的方法,并梳理该领域的经典开源项目。第7章探讨遥感时间序列影像分析,从时序影像质量提升、分类及异常检测等方面展开。第8章聚焦遥感智能空间信息平台,探讨平台的基本构成、资源管理调度、样本管理、智能模型编排与应用服务支撑等方面的内容。第9章为技术与平台发展趋势。 本书得到国家重点研发计划课题“开放式遥感智能解译平台(2021YFB3900504)”的资助。特别感谢中国科学院空天信息创新研究院刘帝佑、张文凯、聂进焱、于泓峰、杜振博、邓毓弸、席智浩、陈建胜等科研人员对本书核心章节的贡献,感谢马俊贤、李锴、王晨昊、邓利高、向奎、陈卫智、周建泉等研究生对本书的校核。 由于遥感和人工智能技术飞速发展,作者深知本书在知识深度和技术覆盖方面可能存在不足,在叙述表达方面亦难免存在局限。为此,恳请读者不吝赐教,提出宝贵的批评与建议。 编者 2025年1月 目录 第1章卫星遥感智能解译技术与平台概述 1.1卫星遥感技术 1.1.1卫星遥感分类 1.1.2国内外民商陆地观测卫星 1.2计算机视觉领域人工智能算法 1.2.1人工智能的基本概念 1.2.2计算机视觉发展历程及主要进展 1.2.3人工智能最新发展趋势 1.3遥感图像智能解译技术与平台 1.3.1遥感图像智能解译技术 1.3.2国内外遥感处理智能解译平台 1.4总结 参考文献 第2章影像就绪化处理技术 2.1遥感卫星影像预处理 2.1.1辐射校正 2.1.2几何校正 2.1.3多源影像融合 2.2影像立方体概念与网格体系 2.2.1影像立方体概念与构建准则 2.2.2立方体网格体系介绍与选择 2.3影像立方体设计与构建 2.3.1空间基准选择 2.3.2网格剖分与编码策略制度 2.3.3网格索引策略制定 2.3.4网格体系评价 2.4基于影像立方体的影像就绪化流程 2.4.1影像引接 2.4.2影像立方体构建 2.4.3网格影像质量评价 2.4.4就绪化底图生产 2.5就绪化处理系统及应用 2.5.1影像数据预处理模块 2.5.2数据查询检索模块 2.5.3就绪化底图生产模块 2.5.4任务管理模块 2.5.5土地卫片执法监测应用 参考文献 第3章地表覆盖提取分类 3.1地表覆盖分类体系与数据产品 3.1.1地表覆盖的定义 3.1.2地表覆盖的分类体系 3.1.3全球地表覆盖数据产品 3.2地表覆盖分类样本数据集 3.2.1地表覆盖样本数据集的重要性 3.2.2地表覆盖样本数据集的特点 3.2.3现有的地表覆盖数据集 3.2.4地表覆盖数据集评估指标 3.3地表覆盖提取分类方法 3.3.1基于传统图像处理的方法 3.3.2基于机器学习的方法 3.3.3基于深度学习的方法 3.4地表覆盖分类的样本生成 3.4.1基于历史成果数据的样本生成必要性和可行性 3.4.2影像光谱特征相似度量的样本影像选择 3.4.3成果景观结构相似度度量的样本影像选择 3.4.4样本选择策略实证案例 3.5遥感影像语义分割域适应 3.5.1域适应理论基础 3.5.2遥感影像语义分割域适应方法概述 3.5.3多级引导的课程式域适应方法 3.6分区分层的分类策略 3.6.1分区策略 3.6.2分层策略 3.6.3分区分层策略的适用性 3.7地表覆盖数据产品生产系统及其应用 3.7.1系统概况 3.7.2系统设计思路 3.7.3系统总体设计 3.7.4系统的架构与功能 3.7.5系统的应用 3.8总结 3.8.1地表覆盖提取分类的问题与难点 3.8.2地表覆盖提取分类的发展趋势与展望 参考文献 第4章地表覆盖变化检测 4.1光学影像变化检测 4.2变化检测方法分类体系 4.2.1传统变化检测方法 4.2.2遥感变化检测数据集 4.3变化检测智能模型架构 4.3.1变化检测语义分割网络 4.3.2变化特征融合 4.4像素级变化智能检测 4.4.1孪生CNN编码器 4.4.2特征融合模块 4.4.3变化检测任务与多任务学习 4.4.4实验效果 4.5对象级变化智能检测 4.5.1初识DETR 4.5.2基于DETR的对象级变化检测网络 4.5.3Change?DETR模型的实验与结果分析 4.5.4相关讨论 4.6Transformer?CNN混合变化检测网络 4.6.1变化检测与Transformer技术 4.6.2Transformer?CNN混合变化检测网络设计 4.6.3实验结果与分析 4.7地表覆盖遥感变化检测系统及应用 4.7.1变化检测模型池分系统 4.7.2变化图斑自动提取分系统 4.7.3变化图斑处理编辑分系统 4.7.4土地卫片执法监测应用 4.7.5城市建(构)筑物变化监测应用 4.8总结 4.8.1技术问题与趋势 4.8.2平台问题与趋势 参考文献 第5章高光谱影像分类与探测 5.1高光谱影像信息提取概述 5.1.1高光谱影像特性 5.1.2高光谱影像分类与目标探测现状 5.2高光谱影像分类与目标探测数据集 5.2.1高光谱影像分类数据集 5.2.2高光谱影像目标探测数据集 5.3高光谱影像多特征组合分类 5.3.1基于深度学习的分类方法概述 5.3.2降维特征与多尺度特征组合分类 5.3.3多尺度空谱特征融合分类 5.4小样本高光谱影像分类 5.4.1小样本高光谱影像分类方法概述 5.4.2非局部注意力的小样本分类 5.4.3混合注意力的小样本分类 5.5高光谱影像和激光雷达影像多模态分类 5.5.1高光谱影像和激光雷达影像多模态分类概述 5.5.2基于卷积网络的多模态分类 5.5.3基于对抗网络的多模态分类 5.6高光谱目标探测的深度学习方法 5.6.1高光谱目标探测概述 5.6.2高光谱目标探测方法 5.7高光谱要素分类与探测系统及其应用 5.7.1系统组成 5.7.2系统应用 5.8总结 5.8.1高光谱影像分类与探测的问题与难点 5.8.2高光谱影像分类与探测技术发展趋势和展望 参考文献 第6章目标检测、识别与跟踪 6.1目标检测、识别与跟踪概述 6.1.1目标检测与识别概述 6.1.2目标跟踪概述 6.2可见光影像目标检测、识别与跟踪 6.2.1传统目标检测识别算法介绍 6.2.2基于CNN架构的目标检测识别算法介绍 6.2.3基于Transformer的目标检测识别算法 6.2.4可见光卫星视频目标跟踪 6.3SAR影像目标检测、识别与跟踪 6.3.1面向SAR影像的目标检测与识别算法 6.3.2结合SAR特性的目标检测与识别算法 6.3.3SAR卫星视频目标跟踪 6.4红外影像目标检测、识别与跟踪 6.4.1面向红外影像的目标检测与识别算法 6.4.2结合红外特性的目标检测识别算法 6.4.3红外卫星视频目标跟踪 6.5目标检测、识别与跟踪典型数据集介绍 6.5.1标注方式 6.5.2目标检测和识别典型数据集 6.5.3视频追踪数据集 6.6目标检测、识别与跟踪典型应用介绍 6.6.1目标检测与识别开源项目介绍 6.6.2目标跟踪开源项目介绍 6.7总结 6.7.1遥感影像目标检测、识别与跟踪的问题与难点 6.7.2遥感影像目标检测、识别与跟踪的发展趋势与展望 参考文献 第7章遥感时间序列影像分析 7.1遥感时间序列概述 7.1.1MODIS时间序列数据概述 7.1.2Landsat时间序列数据概述 7.1.3Sentinel时间序列数据概述 7.2时序影像分析数据集 7.2.1全景农业时序数据集 7.2.2留尼汪岛数据集 7.2.3鄱阳湖数据集 7.2.4因皮里尔县数据集 7.2.5密西西比数据集 7.3时序影像质量提升技术 7.3.1时序插值的传统方法综述 7.3.2线性插值模型及问题 7.3.3自适应滤波的图像插值方法 7.3.4时序图像数据集的构建实践 7.4时序影像分类技术 7.4.1遥感时间序列影像经典聚类算法 7.4.2深度学习遥感时间序列聚类算法 7.4.3遥感时间序列经典监督分类算法 7.4.4深度学习遥感时间序列监督分类算法 7.5时序影像异常检测技术 7.5.1时序影像异常检测传统技术方法 7.5.2时序影像异常检测深度学习技术方法 7.6时序影像数据分析系统及其应用 7.6.1基于云平台的遥感时序数据分析软件平台介绍 7.6.2基于云平台分析工具的应用 7.7总结 7.7.1遥感时间序列影像分析的问题及难点 7.7.2遥感时间序列影像分析的发展趋势与展望 参考文献 第8章智能空间信息平台 8.1智能空间信息平台简介 8.1.1深度学习框架 8.1.2智能空间信息平台主要组成 8.2空间信息平台资源管理调度分系统 8.2.1空间信息处理计算虚拟化 8.2.2空间信息处理存储虚拟化 8.2.3空间信息处理调度架构 8.3空间信息样本管理分系统 8.3.1空间信息样本标注 8.3.2空间信息样本制作 8.3.3空间信息样本分析 8.4空间信息智能模型编排分系统 8.4.1智能模型构建训练 8.4.2智能模型评估策略 8.4.3智能模型服务部署 8.5空间信息智能平台应用服务支撑 8.5.1空间信息提取服务支撑 8.5.2空间大数据分析服务支撑 8.5.3空间信息展示服务支撑 8.6总结 8.6.1智能空间信息平台建立的问题与难点 8.6.2智能空间信息平台的发展趋势与展望 参考文献 第9章技术与平台发展趋势 9.1遥感智能解译技术发展趋势 9.1.1通用基础模型 9.1.2知识先验智能 9.1.3多模态数据融合 9.1.4生成模型 9.2遥感智能解译平台发展趋势 9.2.1星上智能处理 9.2.2云原生 9.2.3边缘计算与分布式处理 9.2.4人机协同与交互式分析 参考文献 赵忠明长期从事遥感影像信息处理技术研究工作,主要研究领域包括图像复原、纹理分析、数据融合、遥感大数据等,对于小波理论分析与遥感应用有较深入的研究。他发表论文50余篇,书著8部,获专利多项。负责多项国家重大研究计划。主持研发的遥感图像处理平台IRSA多次获科技部国产空间信息系统测评表彰软件。他是“中国科学院盈科优秀青年学者奖”获得者。曾获“全国优秀科技工作者”和中央国家机关优秀共产党员称号,多次获国家和省部级科技进步奖。 目录 第1章卫星遥感智能解译技术与平台概述 1.1卫星遥感技术 1.1.1卫星遥感分类 1.1.2国内外民商陆地观测卫星 1.2计算机视觉领域人工智能算法 1.2.1人工智能的基本概念 1.2.2计算机视觉发展历程及主要进展 1.2.3人工智能最新发展趋势 1.3遥感图像智能解译技术与平台 1.3.1遥感图像智能解译技术 1.3.2国内外遥感处理智能解译平台 1.4总结 参考文献 第2章影像就绪化处理技术 2.1遥感卫星影像预处理 2.1.1辐射校正 2.1.2几何校正 2.1.3多源影像融合 2.2影像立方体概念与网格体系 2.2.1影像立方体概念与构建准则 2.2.2立方体网格体系介绍与选择 2.3影像立方体设计与构建 2.3.1空间基准选择 2.3.2网格剖分与编码策略制度 2.3.3网格索引策略制定 2.3.4网格体系评价 2.4基于影像立方体的影像就绪化流程 2.4.1影像引接 2.4.2影像立方体构建 2.4.3网格影像质量评价 2.4.4就绪化底图生产 2.5就绪化处理系统及应用 2.5.1影像数据预处理模块 2.5.2数据查询检索模块 2.5.3就绪化底图生产模块 2.5.4任务管理模块 2.5.5土地卫片执法监测应用 参考文献 第3章地表覆盖提取分类 3.1地表覆盖分类体系与数据产品 3.1.1地表覆盖的定义 3.1.2地表覆盖的分类体系 3.1.3全球地表覆盖数据产品 3.2地表覆盖分类样本数据集 3.2.1地表覆盖样本数据集的重要性 3.2.2地表覆盖样本数据集的特点 3.2.3现有的地表覆盖数据集 3.2.4地表覆盖数据集评估指标 3.3地表覆盖提取分类方法 3.3.1基于传统图像处理的方法 3.3.2基于机器学习的方法 3.3.3基于深度学习的方法 3.4地表覆盖分类的样本生成 3.4.1基于历史成果数据的样本生成必要性和可行性 3.4.2影像光谱特征相似度量的样本影像选择 3.4.3成果景观结构相似度度量的样本影像选择 3.4.4样本选择策略实证案例 3.5遥感影像语义分割域适应 3.5.1域适应理论基础 3.5.2遥感影像语义分割域适应方法概述 3.5.3多级引导的课程式域适应方法 3.6分区分层的分类策略 3.6.1分区策略 3.6.2分层策略 3.6.3分区分层策略的适用性 3.7地表覆盖数据产品生产系统及其应用 3.7.1系统概况 3.7.2系统设计思路 3.7.3系统总体设计 3.7.4系统的架构与功能 3.7.5系统的应用 3.8总结 3.8.1地表覆盖提取分类的问题与难点 3.8.2地表覆盖提取分类的发展趋势与展望 参考文献 第4章地表覆盖变化检测 4.1光学影像变化检测 4.2变化检测方法分类体系 4.2.1传统变化检测方法 4.2.2遥感变化检测数据集 4.3变化检测智能模型架构 4.3.1变化检测语义分割网络 4.3.2变化特征融合 4.4像素级变化智能检测 4.4.1孪生CNN编码器 4.4.2特征融合模块 4.4.3变化检测任务与多任务学习 4.4.4实验效果 4.5对象级变化智能检测 4.5.1初识DETR 4.5.2基于DETR的对象级变化检测网络 4.5.3Change-DETR模型的实验与结果分析 4.5.4相关讨论 4.6Transformer-CNN混合变化检测网络 4.6.1变化检测与Transformer技术 4.6.2Transformer-CNN混合变化检测网络设计 4.6.3实验结果与分析 4.7地表覆盖遥感变化检测系统及应用 4.7.1变化检测模型池分系统 4.7.2变化图斑自动提取分系统 4.7.3变化图斑处理编辑分系统 4.7.4土地卫片执法监测应用 4.7.5城市建(构)筑物变化监测应用 4.8总结 4.8.1技术问题与趋势 4.8.2平台问题与趋势 参考文献 第5章高光谱影像分类与探测 5.1高光谱影像信息提取概述 5.1.1高光谱影像特性 5.1.2高光谱影像分类与目标探测现状 5.2高光谱影像分类与目标探测数据集 5.2.1高光谱影像分类数据集 5.2.2高光谱影像目标探测数据集 5.3高光谱影像多特征组合分类 5.3.1基于深度学习的分类方法概述 5.3.2降维特征与多尺度特征组合分类 5.3.3多尺度空谱特征融合分类 5.4小样本高光谱影像分类 5.4.1小样本高光谱影像分类方法概述 5.4.2非局部注意力的小样本分类 5.4.3混合注意力的小样本分类 5.5高光谱影像和激光雷达影像多模态分类 5.5.1高光谱影像和激光雷达影像多模态分类概述 5.5.2基于卷积网络的多模态分类 5.5.3基于对抗网络的多模态分类 5.6高光谱目标探测的深度学习方法 5.6.1高光谱目标探测概述 5.6.2高光谱目标探测方法 5.7高光谱要素分类与探测系统及其应用 5.7.1系统组成 5.7.2系统应用 5.8总结 5.8.1高光谱影像分类与探测的问题与难点 5.8.2高光谱影像分类与探测技术发展趋势和展望 参考文献 第6章目标检测、识别与跟踪 6.1目标检测、识别与跟踪概述 6.1.1目标检测与识别概述 6.1.2目标跟踪概述 6.2可见光影像目标检测、识别与跟踪 6.2.1传统目标检测识别算法介绍 6.2.2基于CNN架构的目标检测识别算法介绍 6.2.3基于Transformer的目标检测识别算法 6.2.4可见光卫星视频目标跟踪 6.3SAR影像目标检测、识别与跟踪 6.3.1面向SAR影像的目标检测与识别算法 6.3.2结合SAR特性的目标检测与识别算法 6.3.3SAR卫星视频目标跟踪 6.4红外影像目标检测、识别与跟踪 6.4.1面向红外影像的目标检测与识别算法 6.4.2结合红外特性的目标检测识别算法 6.4.3红外卫星视频目标跟踪 6.5目标检测、识别与跟踪典型数据集介绍 6.5.1标注方式 6.5.2目标检测和识别典型数据集 6.5.3视频追踪数据集 6.6目标检测、识别与跟踪典型应用介绍 6.6.1目标检测与识别开源项目介绍 6.6.2目标跟踪开源项目介绍 6.7总结 6.7.1遥感影像目标检测、识别与跟踪的问题与难点 6.7.2遥感影像目标检测、识别与跟踪的发展趋势与展望 参考文献 第7章遥感时间序列影像分析 7.1遥感时间序列概述 7.1.1MODIS时间序列数据概述 7.1.2Landsat时间序列数据概述 7.1.3Sentinel时间序列数据概述 7.2时序影像分析数据集 7.2.1全景农业时序数据集 7.2.2留尼汪岛数据集 7.2.3鄱阳湖数据集 7.2.4因皮里尔县数据集 7.2.5密西西比数据集 7.3时序影像质量提升技术 7.3.1时序插值的传统方法综述 7.3.2线性插值模型及问题 7.3.3自适应滤波的图像插值方法 7.3.4时序图像数据集的构建实践 7.4时序影像分类技术 7.4.1遥感时间序列影像经典聚类算法 7.4.2深度学习遥感时间序列聚类算法 7.4.3遥感时间序列经典监督分类算法 7.4.4深度学习遥感时间序列监督分类算法 7.5时序影像异常检测技术 7.5.1时序影像异常检测传统技术方法 7.5.2时序影像异常检测深度学习技术方法 7.6时序影像数据分析系统及其应用 7.6.1基于云平台的遥感时序数据分析软件平台介绍 7.6.2基于云平台分析工具的应用 7.7总结 7.7.1遥感时间序列影像分析的问题及难点 7.7.2遥感时间序列影像分析的发展趋势与展望 参考文献 第8章智能空间信息平台 8.1智能空间信息平台简介 8.1.1深度学习框架 8.1.2智能空间信息平台主要组成 8.2空间信息平台资源管理调度分系统 8.2.1空间信息处理计算虚拟化 8.2.2空间信息处理存储虚拟化 8.2.3空间信息处理调度架构 8.3空间信息样本管理分系统 8.3.1空间信息样本标注 8.3.2空间信息样本制作 8.3.3空间信息样本分析 8.4空间信息智能模型编排分系统 8.4.1智能模型构建训练 8.4.2智能模型评估策略 8.4.3智能模型服务部署 8.5空间信息智能平台应用服务支撑 8.5.1空间信息提取服务支撑 8.5.2空间大数据分析服务支撑 8.5.3空间信息展示服务支撑 8.6总结 8.6.1智能空间信息平台建立的问题与难点 8.6.2智能空间信息平台的发展趋势与展望 参考文献 第9章技术与平台发展趋势 9.1遥感智能解译技术发展趋势 9.1.1通用基础模型 9.1.2知识先验智能 9.1.3多模态数据融合 9.1.4生成模型 9.2遥感智能解译平台发展趋势 9.2.1星上智能处理 9.2.2云原生 9.2.3边缘计算与分布式处理 9.2.4人机协同与交互式分析 参考文献
你还可能感兴趣
我要评论
|

新书资讯




