基于深度学习的高分辨率遥感图像场景分类

高分辨率遥感图像场景分类是遥感影像解译中的一个关键任务，具有广泛的应用前景。本书介绍了高分辨率遥感图像场景分类的基本知识和现有的研究方法，并系统总结了作者在基于深度学习的高分辨率遥感图像场景分类方面的研究工作。 全书共6章，分为4个部分：第一部分（第1章）介绍了高分辨率遥感图像场景分类的的定义、研究背景和现有研究工作，以及本书的主要内容；第二部分（第2章-3章）将特征提取策略和监督方式对高分辨率遥感图像场景分类性能的影响进行了定性分析和定量实验评估；第三部分（第4章-5章）介绍了两种不同解决思路的高分辨率遥感图像场景分类方法来应对人工标注成本较高的问题；第四部分（第6章）对本书的主要内容进行总结，并对未来的研究工作进行展望。第2-5章都附有相关的实验验证工作，以便有兴趣的读者进一步钻研探索。

这是一本专注于高分辨率遥感图像场景分类的著作，详细阐述了高分辨率遥感图像场景分类的定义、研究背景、现有研究工作以及本书的主要内容。书中系统地总结了作者在基于深度学习的高分辨率遥感图像场景分类方面的研究工作，并详细介绍了两种不同解决思路的高分辨率遥感图像场景分类方法来应对人工标注成本较高的问题。 在特征提取策略方面，书中详细讨论了手工特征与数据驱动特征的对比，并进行了定性与定量评估。同时，对不同特征提取策略的定性与定量评估，为高分辨率遥感图像场景分类提供了重要的理论依据和实践指导，有助于选择合适的特征提取策略，提高分类性能。 在监督方法方面，书中深入分析了全监督方法、半监督方法和弱监督方法的特点及其对场景分类性能的影响。并提出了基于半监督的熵最大化生成式对抗网络(EMGAN)模型的高分辨率遥感图像场景分类方法，以解决标注样本不足的问题。 在EMGAN模型的介绍中，书中阐述了EMGAN模型在半监督学习和高分辨率遥感图像场景分类中的应用，通过增加信息熵最大化网络(EMN)来提升生成图像的多样性，解决了传统GAN模型容易出现的模型崩溃问题。 在预训练CNN模型微调部分，书中介绍了在深度