地表覆盖神经网络分类理论与方法

本书共分7章，内容包括绪论、神经网络的基本原理、卷积神经网络、地表覆盖分类基本原理与方法、地表覆盖分类语义分割方法、地表覆盖分类卷积神经网络设计、地表覆盖分类方法实践等。 本书可供测绘科学与技术等相关专业的本科生及研究生阅读，也可供地信、遥感、测量等行业的工程技术人员和企业管理人员参考。

李景文，博士，教授，博士生导师，桂林理工大学测绘地理信息学院党委书记。主要研究方向为地理空间数据组织与管理。地理信息科学学科带头人，广西测绘学会地图专业委员会副主任委员，广西遥感学会理事。李景文教授作为课题负责人和主要参与者完成了40余项课题，发表相关学术论文100余篇。近年来，先后主持国家自然科学基金项目、国家文化和旅游科技创新工程项目、广西自然科学基金重点项目、广西自然科学基金项目15项；参与国家自然科学基金等项目7项；申请专利18项。研究成果分别获得广西教学成果一等奖1项，全国测绘科技进步二等奖1项，广西科技进步奖三等奖3项，广西测绘地理信息科学技术奖一等奖、二等奖各1项，广西计算机推广应用成果奖特等奖、一等奖各1项。

1 绪论
1.1 地表覆盖分类概述
1.1.1 非监督分类进展
1.1.2 监督分类进展
1.2 深度神经网络发展现状
1.2.1 深度神经网络图像分类模型发展现状
1.2.2 深度神经网络语义分割模型发展现状
1.2.3 主流深度神经网络框架
1.3 深度卷积神经网络在地表覆盖分类的应用进展
2 神经网络的基本原理
2.1 人脑神经网络
2.2 人工神经网络
2.2.1 从生物神经元到人工神经元
2.2.2 感知器
2.2.3 神经元模型
2.2.4 多层前馈神经网络
2.3 深度神经网络结构
2.4 反向传播学习
2.4.1 常见梯度下降算法
2.4.2 其他优化的算法
2.4.3 反向传播算法的过程
2.5 激活函数
2.5.1 Sigmoid系激活函数
2.5.2 Softplus激活函数
2.5.3 ReLU激活函数
2.5.4 Softmax激活函数
2.5.5 其他激活函数
2.6 损失函数
2.6.1 回归问题的损失函数
2.6.2 分类问题的损失函数
2.7 超参数
2.7.1 学习率
2.7.2 迭代次数
2.7.3 正则化参数
2.7.4 小批量数据的大小
2.7.5 动量
2.7.6 稀疏
2.8 网络参数优化
3 卷积神经网络
3.1 整体结构
3.2 输入层
3.3 卷积层
3.3.1 卷积运算
3.3.2 填充
3.3.3 卷积步长
3.3.4 特征图计算
3.3.5 三维卷积的计算
3.3.6 结合长方体考虑
3.3.7 批处理
3.3.8 参数的共享
3.4 池化层
3.4.1 优选值池化
3.4.2 平均值池化
3.4.3 池化的特性
3.5 全连接层
3.6 经典卷积神经网络
3.6.1 LeNet
3.6.2 AlexNet网络
3.6.3 VGGNet网络
3.6.4 NiN网络
3.6.5 GoogLeNet网络
3.6.6 ResNet网络
4 地表覆盖分类基本原理与方法
4.1 目视解译
4.1.1 人工目视判读法
4.1.2 人机互换判断法
4.2 监督分类
4.2.1 优选似然分类
4.2.2 最小距离法
4.2.3 决策树分类算法
4.2.4 随机森林分类算法
4.2.5 支持向量机分类算法
4.3 非监督分类算法
4.3.1 层次聚类
4.3.2 模糊聚类
4.3.3 K均值聚类算法
4.3.4 ISODATA分类算法
4.4 人工神经网络
4.5 卷积神经网络
4.5.1 FCN网络模型
4.5.2 U-Net网络模型
4.5.3 SegNet网络模型
4.5.4 PSPNet网络模型
4.5.5 DeepLab系列网络
5 地表覆盖分类语义分割方法
5.1 卷积层
5.2 池化层
5.3 卷积神经网络模型的构建
5.4 语义分割编码-解码结构
5.5 语义分割特征提取方法
5.5.1 扩张卷积
5.5.2 深度可分离卷积
5.5.3 空间金字塔池化
5.5.4 语义重建方法
5.6 语义分割后处理方法
5.6.1 前向传播算法
5.6.2 误差反向传播算法
5.7 训练样本的优化方法
5.7.1 训练样本数据的增广方法
5.7.2 几何变换数据增广
5.7.3 像素变换数据增广
5.7.4 有效增广数据的筛选
5.8 代价敏感学习
6 地表覆盖分类卷积神经网络设计
6.1 LCC-CNN模型构建方法
6.1.1 编码模块结构构建方法
6.1.2 解码模块与分类方法
6.2 LCC-CNN的训练与优化方法
6.2.1 随机梯度下降
6.2.2 随机失活
6.2.3 批归一化
6.2.4 参数初始化
6.3 损失函数
6.4 多模型集成的地表覆盖分类方法
6.4.1 多模型集成体系
6.4.2 多模型集成算法
6.4.3 多模型集成精度评估
6.5 多时相地表覆盖分类方法
6.5.1 分类概率修正算法
6.5.2 深度学习修正算法
6.5.3 地表覆盖分类后处理方法
6.6 地表覆盖分类的迁移学习方法
6.6.1 地表覆盖分类迁移学习
6.6.2 卷积神经网络迁移学习训练方法
7 地表覆盖分类方法实践
7.1 地表覆盖分类训练样本制作
7.1.1 数据源与实验区域的选取
7.1.2 训练样本的制作与精化
7.1.3 实验与分析
7.2 LCC-CNN分类实验
7.2.1 LCC-CNN分类精度对比实验
7.2.2 LCC-CNN地表覆盖分类实验
7.3 多模型集成实验
7.4 地表覆盖分类效率对比实验
7.5 时相修正算法分类实验
7.5.1 实验数据
7.5.2 时相修正算法分类实验分析
7.6 迁移学习实验分析
7.7 LCC-CNN在甘蔗种植面积监测中的应用
7.7.1 LCC-CNN在甘蔗种植面积监测中的训练过程
7.7.2 LCC-CNN在甘蔗种植面积监测应用中的精度评价与对比分析
7.7.3 LCC-CNN在甘蔗种植面积监测中的应用效果
7.8 LCC-CNN在桉树种植面积监测中的应用
7.8.1 LCC-CNN在桉树种植面积监测中的训练过程
7.8.2 LCC-CNN在桉树种植面积监测应用中的精度评价与对比分析
7.9 基于神经网络的地表覆盖分类建议
参考文献