扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
决战行测5000题(言语理解与表达)
-
>
软件性能测试.分析与调优实践之路
-
>
第一行代码Android
-
>
深度学习
-
>
Unreal Engine 4蓝图完全学习教程
-
>
深入理解计算机系统-原书第3版
-
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)
卷积神经网络及其在高光谱影像分类中的应用 版权信息
- ISBN：9787568089883
- 条形码：9787568089883 ; 978-7-5680-8988-3
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>
卷积神经网络及其在高光谱影像分类中的应用 本书特色
本书以卷积神经网络在高光谱影像分类中的应用为出发点，针对高光谱影像分类遇到的问题、数据的特点，以及卷积神经网络模型如何解决高光谱影像分类中的问题进行总结，并提出相应的改进模型和实验验证。本书语言简洁,深入浅出,通俗易懂,不仅适合遥感相关专业本科及研究生作为参考教材，还可作为从事遥感影像处理与分析的专业人员的技术参考书。
卷积神经网络及其在高光谱影像分类中的应用 内容简介
本书是以卷积神经网络在高光谱影像分类中的应用为线索进行编写。全书内容分为7章：第1章介绍了高光谱影像分类的国内外研究现状，以及高光谱影像数据特点和评价指标；第2章介绍了卷积神经网络的原理，总结了卷积神经网络的发展现状，分析了卷积神经网络在高光谱影像分类中的应用情况；第3章至第6章分别介绍了结合纹理特征的双通道卷积神经网络、宽残差网络、残差密集网络、残差注意力网络等用于高光谱影像分类的卷积神经网络模型；第7章对本书所介绍的内容进行了总结，并就卷积神经网络在高光谱影像分类中的应用情况进行了展望。
卷积神经网络及其在高光谱影像分类中的应用 目录
目 录第1章 绪论 11.1 高光谱影像分类：原理、方法和问题 11.2 高光谱影像分类技术研究现状 31.3 高光谱影像数据 91.4 研究内容及章节安排 10第2章 卷积神经网络 131.1 卷积神经网络基础理论 131.2 卷积神经网络研究现状 161.3 卷积神经网络在高光谱影像分类中的应用 19第3章 结合纹理特征的双通道卷积神经网络分类方法 233.1 双通道卷积神经网络 233.2 高光谱影像纹理特征提取 263.3 结合纹理特征的双通道卷积神经网络高光谱影像分类 283.4 实验与分析 313.5 小结 36第4章 利用宽残差网络的高光谱影像分类 384.1 残差网络 384.2 宽残差网络 424.3 宽残差网络的高光谱影像分类 454.4 实验与分析 484.5 小结 55第5章 利用残差密集网络的高光谱影像分类 565.1 残差密集网络 565.2 残差密集网络的高光谱影像分类 595.3 实验与分析 605.4 小结 63第6章 利用残差通道注意力网络的高光谱影像分类 656.1 注意力机制 656.2 残差通道注意力网络 696.3 残差通道注意力网络的高光谱影像分类 706.4 实验与分析 736.5 小结 78第7章 总结与展望 807.1 总结 807.2 展望 81参考文献 83附录一 术语中英文对照表92 附录二 彩图95
展开全部
卷积神经网络及其在高光谱影像分类中的应用 作者简介
魏祥坡，博士，中国人民解放军战略支援部队信息工程大学副教授、主要从事目标智能识别、高光谱遥感方面的研究工作。2019年毕业于战略支援部队信息工程大学获测绘科学与技术博士学位。目前主持了河南省自然科学基金1项，作为核心成员参与了国家自然科学基金项目、国家高分专项、河南省科技攻关项目等地方和军队科研项目10余项。发表论文20余篇，授权软件著作权3项，受理专利申请6项。
书友推荐
- >
回忆爱玛侬
回忆爱玛侬
¥23.0¥32.8 - >
我从未如此眷恋人间
我从未如此眷恋人间
¥32.4¥49.8 - >
随园食单
随园食单
¥15.4¥48.0 - >
龙榆生：词曲概论/大家小书
龙榆生：词曲概论/大家小书
¥13.0¥24.0 - >
名家带你读鲁迅:故事新编
名家带你读鲁迅:故事新编
¥13.0¥26.0 - >
人文阅读与收藏·良友文学丛书:一天的工作
人文阅读与收藏·良友文学丛书:一天的工作
¥17.0¥45.8 - >
中国历史的瞬间
中国历史的瞬间
¥16.7¥38.0 - >
月亮虎
月亮虎
¥16.8¥48.0
本类畅销
-
”互联网+“时代计算机算法的应用及其实践研究
¥19.9¥59 -
微服务设计
¥52.8¥69 -
图说深度学习:用可视化方法理解复杂概念
¥109¥188 -
计算机基础
¥17.2¥31 -
改变未来的九大算法
¥50¥68 -
生成式AI入门与AWS实战
¥77.8¥99.8
