遙感影像作為人們獲取地理信息的重要數(shù)據(jù)來源，在環(huán)境監(jiān)測、農(nóng)業(yè)發(fā)展和國土利用和規(guī)劃等方面起著十分重要的作用，但是獲取影像數(shù)據(jù)時容易受不均勻的光照、不同的環(huán)境條件和不同的傳感器平臺等因素的影響，導(dǎo)致遙感影像內(nèi)部存在局部亮度和色彩分布不均勻現(xiàn)象，特別是在由若干幅影像拼接而成的多源拼接影像中，影像內(nèi)部色彩差異較大，使得影像看起

遙感應(yīng)用工程是構(gòu)建在一定科學與技術(shù)積累上的、為滿足某種需求而開展的系統(tǒng)建設(shè)與運行及其應(yīng)用，包括在一定的應(yīng)用基礎(chǔ)設(shè)施支持下開展新型遙感器研發(fā)、應(yīng)用方法與技術(shù)研究、遙感信息系統(tǒng)研發(fā)。 本書以多角度偏振成像儀（DPC）的應(yīng)用研究與載荷研發(fā)為主，結(jié)合航天遙感應(yīng)用理論研究與應(yīng)用基礎(chǔ)設(shè)施建設(shè)主題，兼容并蓄高分專項及這一階段我國民用

在當今的自動駕駛和智能交通系統(tǒng)領(lǐng)域，視頻車道線檢測技術(shù)扮演著至關(guān)重要的角色。本書將帶您深入探索這一領(lǐng)域，揭示如何使用深度學習技術(shù)來實現(xiàn)精確、魯棒和實時的車道線檢測。本書全面系統(tǒng)地介紹了基于深度學習的視頻車道線檢測技術(shù)，包括基于深度學習的車道線檢測理論基礎(chǔ)、基于SwinTransformer的車道線檢測技術(shù)、基于深度混合

本書論述了衛(wèi)星遙感時間序列數(shù)據(jù)分析的主要方法和遙感時間序列在陸地生態(tài)系統(tǒng)變化分析領(lǐng)域的相關(guān)應(yīng)用：先概述了光學遙感時間序列數(shù)據(jù)重建與地表覆蓋變化檢測的主流方法，進而針對典型生態(tài)問題分別介紹了植被物候、土地荒漠化、人工林識別與動態(tài)分析、生態(tài)系統(tǒng)干擾-恢復(fù)過程等方向的遙感分析方法和應(yīng)用案例。

本書基于非合作目標雷達特性、運動特性和形狀特征，分析了影響目標ISAR成像的因素，重點對稀疏重構(gòu)成像方法和彈道目標特征提取方法進行了闡述分析，針對非合作目標成像、特征提取與識別面臨的成像時間短、積累信號少、成像質(zhì)量不高和特征提取識別難的問題，提出了多種基于聯(lián)合稀疏重構(gòu)和二維稀疏重構(gòu)的成像方法，并闡述了機動非合作目標的快

本書共分為8章，重點研究了基于深度屬性學習的光學遙感圖像分類方法，如基于屬性學習預(yù)測的細粒度遙感目標分類、基于多源屬性學習的細粒度遙感場景分類、基于屬性建模遷移的少樣本遙感圖像分類、基于視覺屬性自動化標注的零樣本遙感圖像場景分類等。對于每種典型的遙感圖像分類方法，從研究者的角度，詳細地介紹了其研究背景、問題描述、算法模

本書共分為十一章，涉及九個用于圖像分類的著名卷積神經(jīng)網(wǎng)絡(luò)模型，分別是：LeNet-5(識別手寫數(shù)字)、AlexNet(寵物貓狗識別)、VGG(表情識別)GoogleNet(車輛品牌識別)、ResNet(寵物貓狗品種識別)、MobileNet(新疆蘋果品種識別)、SqueezeNet(西紅柿病害識別)、SqueezeNe

本書圍繞高光譜遙感圖像智能分類與檢測這一主題，著重介紹以機器學習、深度學習等為代表的智能新方法和新技術(shù)在高光譜圖像分類與檢測中的應(yīng)用，反映該領(lǐng)域目前最新研究成果與趨勢，突出先進性和前瞻性。本書在介紹智能算法基本原理的同時，注重闡述算法與應(yīng)用問題的機理性結(jié)合，突出啟發(fā)性和實用性。

本書主要內(nèi)容包括進化計算、機器學習、模式識別、數(shù)據(jù)降維、影像解譯等。本書著重對上述領(lǐng)域的國內(nèi)外發(fā)展現(xiàn)狀進行了總結(jié)，闡述了作者對高光譜遙感影像分類實際應(yīng)用的思考與探索。

本書總結(jié)了作者近年來基于人工智能深度學習模型的高光譜遙感影像智能分類方向的最新研究成果，從深度學習領(lǐng)域最具代表性的卷積神經(jīng)網(wǎng)絡(luò)、圖卷積網(wǎng)絡(luò)出發(fā)，對高光譜影像分類的理論發(fā)展和最新動態(tài)以及該領(lǐng)域存在的若干關(guān)鍵問題、研究難點及新方法等進行了論述。