Интеллектуальная интерпретация синтетической апертурной радиолокационные изображения Xu Feng Wang Haipeng Jin Yaqiu космические микроволновые исследования дистанционного зондирования и серия применений
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
| Интеллектуальная интерпретация синтетической апертурной радиолокационное изображение | ||
 | Ценообразование | 198.00 |
| Издатель | Science Press | |
| Издание | 1 | |
| Опубликованная дата | Сентябрь 2020 года | |
| формат | 16 | |
| автор | Сюй Фэн, Ван Хайпенг, Джин Якиу | |
| Украсить | В твердом переплете позвоночника | |
| Количество страниц | 463 | |
| Число слов | 703000 | |
| Кодирование ISBN | 9787030659910 | |
Эта книга суммирует исследования автора приводит к интеллектуальной интерпретации изображений синтетической апертурой (SAR) за последние пять лет.Эта книга разделена на 13 глав.Главы с 1 по 3 в основном представляют фон исследований и текущую ситуацию интерпретации изображения SAR, разработку новых технологий глубокого обучения и основные принципы глубокого обучения.Главы 4-6 в основном представляют исследование интеллектуального распознавания целевых изображений SAR, основанных на технологии глубокого обучения, включая распознавание целевых целей наземной целевой деятельности, распознавание целевых целей на поверхности моря и обучение представлению целевых признаков.Главы 7-10 представляют исследование технологии интеллектуальной интерпретации поляризованных изображений SAR, включая поляризованную классификацию поверхности SAR, основанную на глубоком обучении, многопосталюзованной реконструкции изображений SAR, поляризованном разложении изображений SAR и инверсии параметров растительности SAR поляризованного интерференции.Глава 11 представляет статистическое моделирование изображения SAR и когерентную точечную фильтрацию SAR на основе глубокого обучения.Глава 12 представляет реконструкцию виртуальной сцены, основанную на глубоком обучении.Глава 13 представляет взаимный перевод изображений SAR и оптических изображений на основе глубокого обучения.Основные главы сопровождаются примером кода.
Предисловие
Глава 1 Введение 1
1.1 SAR Информация об получении 2
1.2 Технология глубокого обучения 9
1.3 SAR интеллектуальная интерпретация и микроволновое зрение 15
Ссылки 21
Глава 2 Основы интерпретации изображения SAR 27
2.1 Принцип визуализации SAR 27
2.1.1 Технология радара и сжатия импульсов 27
2.1.2 Сжатие синтетической апертуры и ориентации 28
2.2 Информация о поляризации SAR 34
2.2.1 Поляризованная электромагнитная волна 34
2.2.2 Полностью поляризованные волны и последовательное рассеяние 36
2.2.3 Частично поляризованные волны и бессвязное рассеяние 37
2.2.4 Измерение радарной поляризации 40
2.2.5. Разложение цели и классификация поверхности 46
2.3 Статистика изображения SAR Модель 55
2.3.1 Rayleigh Coherence Spot Model 55
2.3.2 Модель продукта 56
2.3.3 Статистика изображения SAR Модель 57
2.4 Метод обработки изображений SAR 59
2.4.1 SAR -изображения фильтрации 59
2.4.2 Обнаружение и распознавание объектов SAR 65
2.4.3 Сегментация и классификация изображения SAR 66
Ссылки 68
Глава 3 Основы глубокого обучения 70
3.1 Искусственная нейронная сеть 70
3.1.1 Нейронная модель 70
3.1.2 Модель нейронной сети 72
3.1.3 Обучение нейронной сети 77
3.1.4 Навыки обучения нейронной сети 80
3.2 Глубокая нейронная сеть 85
3.2.1 Глубокая сверточная сеть 85
3.2.2 Глубокая рецидивирующая сеть 88
3.3 Компьютерное зрение 91
3.3.1 Классификация изображений 91
3.3.2 Обнаружение цели 94
3.3.3 Сегментация изображения 96
Ссылка 99
Глава 4 SAR Ground Target Intelligent распознавание 102
4.1 Полная сверточная сеть (aconvnets) 102
4.2 Метод обучения сети 107
4.3 Обнаружение и идентификация целей транспортного средства 109
4.4 Обнаружение и идентификация целей самолета 120
4.5 Вейвлет -разброс сеть 129
Пример примера пример——Aconvnets Целевая классификация 137
Ссылки 140
Глава 5 SAR Морская поверхность Цель Цели Интеллектуальное распознавание 143
5.1. Состояние тока распознавания целевой поверхности SAR SAR 143
5.2 Сегментация Fine Sea и Land, помогающая базе данных Global Sea и Land Land.
5.3 Обнаружение целей суда в сложной море и сухопутной среде 157
5.4 SAR-AIS SHIP TARGETATE 168
5.5 SAR -судоход
Ссылки 180
ГЛАВА 6 SAR Целевое распознавание для нескольких образцов 183
6.1 SAR Целевое представление и обучение в нескольких выборках 183
6.2 Данные электромагнитного моделирования, помогающие в нескольких образцах. Изучение 194
6.3 Автоматический состязательный энкодер и обучение в нескольких выборках 201
Пример примера пример——Ноль образца распознавание цели 214
Ссылка 217
Глава 7 Поляризованная классификация поверхности SAR 219
7.1 Классификация поверхности на основе реальных сверточных сетей 219
7.2 Универсальность сети классификации поверхности 229
7.3 Сложная сверточная сеть (CV-CNN) 234
7.4 Классификация поверхности на основе сложных сверточных сетей 243
Пример примера пример——Сложная сверточная сеть (CV-CNN) 255
Ссылки 260
Глава 8 Многополярная реконструкция изображения SAR 262
8.1 Multipolar SAR 262
8.2 Sparse Reconstruction полностью поляризованных изображений SAR 265
8.3 Поляризованная реконструкция изображения SAR на основе глубокого обучения 278
Пример примера пример——SAR-изображения-сети 293
Ссылки 297
Глава 9 Поляризованный SAR -фактор разложение 300
9.1 Поляризованная теория разложения фактора SAR 300
9.2 Поляризованный алгоритм разложения фактора SAR 306
9.3 Экспериментальная проверка и анализ результатов 310
Пример примера пример——Поляризованный SAR -фактор разложение 320
Ссылка 322
Глава 10 Поляризационная интерференционная инверсия параметра растительности 324
10.1 Поляризационная интерференция SAR Инверсия высоты дерева 324
10.2 Поляризационные интерференционные параметры SAR Параметры 329
10.3 Поляризационные интерференционные помехи SAR Модель 331
10.4 Инверсия высоты дерева CV-CNN 349
Пример примера пример——CV-CNN Поляризационная интерференция
Ссылка 362
Глава 11 SAR -когерентная моделирование и фильтрационную сеть 364
11.1 Когерентное пятно -моделирование 364
11.2 Когерентная сеть фильтрации точечной фильтрации 375
11.3 Моделирование и эксперимент 383
Пример примера пример——Despeckling-NN 399
Ссылки 406
Глава 12 Реконструкция виртуальной сцены и моделирование изображения SAR 409
12.1 Реконструкция сцены 409
12.2 Оптическое дистанционное зондирование. Классификация поверхности поверхности 412
12.3 Реконструкция зданий с помощью оптических изображений дистанционного зондирования 420
12.4 Реконструкция 3D -сцены виртуального города 423
12.5 SAR Изображение моделирование 427
Ссылки 430
Глава 13 SAR и оптическое перевод изображения 433
13.1 SAR и оптическое перевод изображения 433
13.2 Двусторонняя сеть перевода 436
13.3 Экспериментальный анализ 442
Пример примера пример——Каскадная остаточная состязательная сеть (CRAN) 456
Ссылки 461
