新書推薦：
《
图解机械工程入门
》
售價：NT$
440.0
《
中文版SOLIDWORKS 2024机械设计从入门到精通（实战案例版）
》
售價：NT$
450.0
《
旷野人生：吉姆·罗杰斯的全球投资探险
》
售價：NT$
345.0
《
希腊人（伊恩·莫里斯文明史系列）
》
售價：NT$
845.0
《
世界巨变：严复的角色（王中江著作系列）
》
售價：NT$
500.0
《
宋初三先生集（中国思想史资料丛刊）
》
售價：NT$
990.0
《
天生坏种：罪犯与犯罪心理分析
》
售價：NT$
445.0
《
新能源材料
》
售價：NT$
290.0
|
| 內容簡介： |
|
本书系统介绍遥感图像目标检测的理论、方法和应用，主要内容包括三部分：一是遥感图像目标检测理论和方法，主要阐述遥感的基本过程、遥感图像类型及特点，遥感图像目标检测的基本内涵、研究现状和面临的挑战，深度学习的发展和应用等；二是光学遥感图像目标检测，主要针对样本数据类别非均衡问题、目标尺度变引起的领域偏移问题和舰船目标检测模型的旋转不变性问题;三是星载SAR图像舰船目标检测，阐述了面向舰船目标检测的SAR图像相干斑抑制和海陆分割两个预处理问题，重点针对无锚框轻量化模型检测精度降低问题、边框偏移量度量问题和目标检测模型参数冗余问题。
|
| 目錄：
|
|
理论方法篇第1章 概 述1.1 遥感的基本过程1.2 遥感图像类型及特点1.3 遥感图像目标检测基本内涵1.4 遥感图像目标检测研究现状1.4.1 光学遥感图像目标检测1.4.2 星载SAR图像目标检测1.5 遥感图像目标检测面临的挑战第2章 基于深度学习的遥感图像目标检测基础理论和方法2.1 深度学习的发展与应用2.2 卷积神经网络2.2.1 经典神经网络结构2.2.2 卷积神经网络基本组成2.2.3 卷积神经网络的训练和优化2.3 基于卷积神经网络的目标检测方法分析2.3.1 基本框架2.3.2 骨干网络2.3.3 经典模型2.4 遥感图像目标检测常用数据集2.4.1 光学遥感图像目标检测数据集2.4.2 星载SAR图像目标检测数据集2.5 遥感图像目标检测评价指标光学图像篇第3章 基于全卷积网络的光学遥感图像均衡语义分割3.1 引言3.2 问题分析与相关方法概述3.3 基于改进U型网络的语义分割方法3.3.1 模型结构3.3.2 数据预处理3.3.3 改进的类别均衡策略3.3.4 模型的训练和性能评价3.4 实例分析3.5 本章小结第4章 尺度相关的光学遥感图像边界框回归检测4.1 引言4.2 问题分析与相关方法概述4.2.1 问题分析4.2.2 目标检测的多尺度方法4.3 尺度相关的改进型YOLOv3模型4.3.1 改进型YOLOv3模型结构4.3.2 基于多尺度聚类的鲁棒锚点生成方法4.3.3 改进多任务损失函数4.3.4 训练数据的多尺度选择性采样4.3.5 模型训练策略和性能评价4.4 实例分析4.5 本章小结第5章 旋转卷积集成的光学遥感图像倾斜边界框回归检测5.1 引言5.2 问题分析与相关方法概述5.3 旋转卷积集成的改进YOLOv3模型5.3.1 模型结构5.3.2 倾斜边界框参数化描述5.3.3 旋转卷积集成模块5.3.4 带角度惩罚的多任务损失函数5.3.5 倾斜软非极大值抑制算法5.4 实例分析5.5 本章小结SAR图像篇第6章 面向舰船目标检测的SAR图像预处理6.1 引言6.2 基于自适应非局部均值的SAR图像相干斑抑制6.2.1 问题分析6.2.2 基于自适应块匹配的非局部均值去噪框架6.2.3 基于Gabor滤波器的自适应非局部均值算法6.2.4 实例分析6.3 基于超像素合并的SAR图像海陆分割6.3.1 问题分析6.3.2 基于改进SLIC的超像素生成6.3.3 基于超像素合并的海陆分割算法6.3.4 实例分析6.4 本章小结第7章 基于全卷积网络的SAR图像舰船目标检测7.1 引言7.2 模型框架7.2.1 特征图映射与舰船目标编码7.2.2 中心度量7.2.3 基于FPN的多级预测7.2.4 损失函数7.3 算法实现7.3.1 SARNet骨干网络7.3.2 中心度量权重共享7.3.3 泛化交并比损失函数7.3.4 自适应样本选择7.4 实例分析7.4.1 实验环境及参数设置7.4.2 基线实验结果7.4.3 消融实验结果7.4.4 对比实验结果7.5 本章小结第8章 基于评分图的SAR图像舰船目标检测8.1 引言8.2 模型框架8.2.1 评分图回归网络8.2.2 边框回归网络8.3 算法实现8.3.1 U-Net-SAR骨干网络8.3.2 舰船实例融合8.4 实例分析8.4.1 实验环境及参数设置8.4.2 基线实验结果8.4.3 消融实验结果8.4.4 对比实验结果8.5 本章小结第9章 基于知识蒸馏的SAR图像舰船目标检测模型轻量化压缩9.1 引言9.2 基于通道权重量化的模型剪枝9.2.1 基于BN层可学习参数的通道权重量化9.2.2 基于通道权重排序的全局剪枝9.3 基于特征学习的知识蒸馏9.3.1 知识蒸馏框架9.3.2 损失函数9.4 实例分析9.4.1 实验环境及参数设置9.4.2 模型剪枝实验结果9.4.3 知识蒸馏实验结果9.4.4 消融实验及对比实验结果9.5 本章小结 0章 结束语
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
