本书共分为8章，重点研究了基于深度属性学习的光学遥感图像分类方法，如基于属性学习预测的细粒度遥感目标分类、基于多源属性学习的细粒度遥感场景分类、基于属性建模迁移的少样本遥感图像分类、基于视觉属性自动化标注的零样本遥感图像场景分类等。对于每种典型的遥感图像分类方法，从研究者的角度，详细地介绍了其研究背景、问题描述、算法模

本书共分为十一章，涉及九个用于图像分类的著名卷积神经网络模型，分别是：LeNet-5(识别手写数字)、AlexNet(宠物猫狗识别)、VGG(表情识别)GoogleNet(车辆品牌识别)、ResNet(宠物猫狗品种识别)、MobileNet(新疆苹果品种识别)、SqueezeNet(西红柿病害识别)、SqueezeNe

本书围绕高光谱遥感图像智能分类与检测这一主题，着重介绍以机器学习、深度学习等为代表的智能新方法和新技术在高光谱图像分类与检测中的应用，反映该领域目前最新研究成果与趋势，突出先进性和前瞻性。本书在介绍智能算法基本原理的同时，注重阐述算法与应用问题的机理性结合，突出启发性和实用性。

本书主要内容包括进化计算、机器学习、模式识别、数据降维、影像解译等。本书着重对上述领域的国内外发展现状进行了总结，阐述了作者对高光谱遥感影像分类实际应用的思考与探索。

本书总结了作者近年来基于人工智能深度学习模型的高光谱遥感影像智能分类方向的最新研究成果，从深度学习领域最具代表性的卷积神经网络、图卷积网络出发，对高光谱影像分类的理论发展和最新动态以及该领域存在的若干关键问题、研究难点及新方法等进行了论述。

本书针对遥感成像卫星在轨实时处理这一新技术方向，系统全面地介绍了在轨实时处理的基本概念、研究意义、国内外发展历程及趋势；面向微波成像卫星，从在轨成像处理与在轨目标检测分类两个方面阐述了算法流程及优化设计方法；面向光学成像卫星，从在轨数据预处理、在轨压缩与质量评价、在轨目标检测分类等方面阐述了算法优化设计方法；面向在轨数

本书在介绍深空探测任务与深空影像背景知识的基础上,着重从统计数据分析和人工智能两个方面介绍深空遥感影像相关的智能解译方法.其中,在统计数据分析方面,介绍了统计理论工具及其在“嫦娥”观测数据的判读解译应用.在人工智能数据分析方面,介绍了深度学习中基于语义分割和基于目标检测方法在全月撞击坑的自动判读识别.为了便于读者使用上

本书针对该种成像仪获取的影像进行航带拼接研究，以获得具有高几何定位精度和高光谱保真性的高光谱影像。本书首先利用曲面样条函数法或基于导航数据或二者结合的方法对影像进行几何校正；然后采用基于边缘块剔除的局部方差法计算各波段信噪比，取分值最高的波段作为最优波段；再利用该最优波段采用SIFT算法或改进的相位相关法来纠正航带间已

高光谱图像分析是遥感技术对地球表面分析和应用的一个关键步骤，同时也是人类认知地球的重要手段之一。为满足对分类精度和效率以及泛化性的要求，针对高光谱图像具有的复杂空-谱特性、非线性可分以及标记样本有限等特点，利用深度学习和宽度学习技术，探索监督型、半监督型、无监督型以及迁移型深-宽度高光谱图像分类方法，分别对应第3章、第

本书全面讲解了卷积神经网络（CNN）、单阶段目标检测、双阶段目标检测、多尺度融合、注意力机制和语义分割等深度学习算法在遥感图像分类、检测、分割和提取等方面的应用，介绍了各种深度学习模型的原理及其在遥感图像处理中的具体实现方法。本书以遥感图像飞机目标检测、舰船目标检测、遥感图像建筑物提取及遥感图像土地语义分割为例，详细介