目录

第1章卫星遥感智能解译技术与平台概述

1.1卫星遥感技术

1.1.1卫星遥感分类

1.1.2国内外民商陆地观测卫星

1.2计算机视觉领域人工智能算法

1.2.1人工智能的基本概念

1.2.2计算机视觉发展历程及主要进展

1.2.3人工智能最新发展趋势

1.3遥感图像智能解译技术与平台

1.3.1遥感图像智能解译技术

1.3.2国内外遥感处理智能解译平台

1.4总结

参考文献

第2章影像就绪化处理技术

2.1遥感卫星影像预处理

2.1.1辐射校正

2.1.2几何校正

2.1.3多源影像融合

2.2影像立方体概念与网格体系

2.2.1影像立方体概念与构建准则

2.2.2立方体网格体系介绍与选择

2.3影像立方体设计与构建

2.3.1空间基准选择

2.3.2网格剖分与编码策略制度

2.3.3网格索引策略制定

2.3.4网格体系评价

2.4基于影像立方体的影像就绪化流程

2.4.1影像引接

2.4.2影像立方体构建

2.4.3网格影像质量评价

2.4.4就绪化底图生产

2.5就绪化处理系统及应用

2.5.1影像数据预处理模块

2.5.2数据查询检索模块

2.5.3就绪化底图生产模块

2.5.4任务管理模块

2.5.5土地卫片执法监测应用

参考文献

第3章地表覆盖提取分类

3.1地表覆盖分类体系与数据产品

3.1.1地表覆盖的定义

3.1.2地表覆盖的分类体系

3.1.3全球地表覆盖数据产品

3.2地表覆盖分类样本数据集

3.2.1地表覆盖样本数据集的重要性

3.2.2地表覆盖样本数据集的特点

3.2.3现有的地表覆盖数据集

3.2.4地表覆盖数据集评估指标

3.3地表覆盖提取分类方法

3.3.1基于传统图像处理的方法

3.3.2基于机器学习的方法

3.3.3基于深度学习的方法

3.4地表覆盖分类的样本生成

3.4.1基于历史成果数据的样本生成必要性和可行性

3.4.2影像光谱特征相似度量的样本影像选择

3.4.3成果景观结构相似度度量的样本影像选择

3.4.4样本选择策略实证案例

3.5遥感影像语义分割域适应

3.5.1域适应理论基础

3.5.2遥感影像语义分割域适应方法概述

3.5.3多级引导的课程式域适应方法

3.6分区分层的分类策略

3.6.1分区策略

3.6.2分层策略

3.6.3分区分层策略的适用性

3.7地表覆盖数据产品生产系统及其应用

3.7.1系统概况

3.7.2系统设计思路

3.7.3系统总体设计

3.7.4系统的架构与功能

3.7.5系统的应用

3.8总结

3.8.1地表覆盖提取分类的问题与难点

3.8.2地表覆盖提取分类的发展趋势与展望

参考文献

第4章地表覆盖变化检测

4.1光学影像变化检测

4.2变化检测方法分类体系

4.2.1传统变化检测方法

4.2.2遥感变化检测数据集

4.3变化检测智能模型架构

4.3.1变化检测语义分割网络

4.3.2变化特征融合

4.4像素级变化智能检测

4.4.1孪生CNN编码器

4.4.2特征融合模块

4.4.3变化检测任务与多任务学习

4.4.4实验效果

4.5对象级变化智能检测

4.5.1初识DETR

4.5.2基于DETR的对象级变化检测网络

4.5.3Change-DETR模型的实验与结果分析

4.5.4相关讨论

4.6Transformer-CNN混合变化检测网络

4.6.1变化检测与Transformer技术

4.6.2Transformer-CNN混合变化检测网络设计

4.6.3实验结果与分析

4.7地表覆盖遥感变化检测系统及应用

4.7.1变化检测模型池分系统

4.7.2变化图斑自动提取分系统

4.7.3变化图斑处理编辑分系统

4.7.4土地卫片执法监测应用

4.7.5城市建(构)筑物变化监测应用

4.8总结

4.8.1技术问题与趋势

4.8.2平台问题与趋势

参考文献

第5章高光谱影像分类与探测

5.1高光谱影像信息提取概述

5.1.1高光谱影像特性

5.1.2高光谱影像分类与目标探测现状

5.2高光谱影像分类与目标探测数据集

5.2.1高光谱影像分类数据集

5.2.2高光谱影像目标探测数据集

5.3高光谱影像多特征组合分类

5.3.1基于深度学习的分类方法概述

5.3.2降维特征与多尺度特征组合分类

5.3.3多尺度空谱特征融合分类

5.4小样本高光谱影像分类

5.4.1小样本高光谱影像分类方法概述

5.4.2非局部注意力的小样本分类

5.4.3混合注意力的小样本分类

5.5高光谱影像和激光雷达影像多模态分类

5.5.1高光谱影像和激光雷达影像多模态分类概述

5.5.2基于卷积网络的多模态分类

5.5.3基于对抗网络的多模态分类

5.6高光谱目标探测的深度学习方法

5.6.1高光谱目标探测概述

5.6.2高光谱目标探测方法

5.7高光谱要素分类与探测系统及其应用

5.7.1系统组成

5.7.2系统应用

5.8总结

5.8.1高光谱影像分类与探测的问题与难点

5.8.2高光谱影像分类与探测技术发展趋势和展望

参考文献

第6章目标检测、识别与跟踪

6.1目标检测、识别与跟踪概述

6.1.1目标检测与识别概述

6.1.2目标跟踪概述

6.2可见光影像目标检测、识别与跟踪

6.2.1传统目标检测识别算法介绍

6.2.2基于CNN架构的目标检测识别算法介绍

6.2.3基于Transformer的目标检测识别算法

6.2.4可见光卫星视频目标跟踪

6.3SAR影像目标检测、识别与跟踪

6.3.1面向SAR影像的目标检测与识别算法

6.3.2结合SAR特性的目标检测与识别算法

6.3.3SAR卫星视频目标跟踪

6.4红外影像目标检测、识别与跟踪

6.4.1面向红外影像的目标检测与识别算法

6.4.2结合红外特性的目标检测识别算法

6.4.3红外卫星视频目标跟踪

6.5目标检测、识别与跟踪典型数据集介绍

6.5.1标注方式

6.5.2目标检测和识别典型数据集

6.5.3视频追踪数据集

6.6目标检测、识别与跟踪典型应用介绍

6.6.1目标检测与识别开源项目介绍

6.6.2目标跟踪开源项目介绍

6.7总结

6.7.1遥感影像目标检测、识别与跟踪的问题与难点

6.7.2遥感影像目标检测、识别与跟踪的发展趋势与展望

参考文献

第7章遥感时间序列影像分析

7.1遥感时间序列概述

7.1.1MODIS时间序列数据概述

7.1.2Landsat时间序列数据概述

7.1.3Sentinel时间序列数据概述

7.2时序影像分析数据集

7.2.1全景农业时序数据集

7.2.2留尼汪岛数据集

7.2.3鄱阳湖数据集

7.2.4因皮里尔县数据集

7.2.5密西西比数据集

7.3时序影像质量提升技术

7.3.1时序插值的传统方法综述

7.3.2线性插值模型及问题

7.3.3自适应滤波的图像插值方法

7.3.4时序图像数据集的构建实践

7.4时序影像分类技术

7.4.1遥感时间序列影像经典聚类算法

7.4.2深度学习遥感时间序列聚类算法

7.4.3遥感时间序列经典监督分类算法

7.4.4深度学习遥感时间序列监督分类算法

7.5时序影像异常检测技术

7.5.1时序影像异常检测传统技术方法

7.5.2时序影像异常检测深度学习技术方法

7.6时序影像数据分析系统及其应用 

7.6.1基于云平台的遥感时序数据分析软件平台介绍

7.6.2基于云平台分析工具的应用

7.7总结

7.7.1遥感时间序列影像分析的问题及难点

7.7.2遥感时间序列影像分析的发展趋势与展望

参考文献

第8章智能空间信息平台

8.1智能空间信息平台简介

8.1.1深度学习框架

8.1.2智能空间信息平台主要组成

8.2空间信息平台资源管理调度分系统

8.2.1空间信息处理计算虚拟化

8.2.2空间信息处理存储虚拟化

8.2.3空间信息处理调度架构

8.3空间信息样本管理分系统

8.3.1空间信息样本标注

8.3.2空间信息样本制作

8.3.3空间信息样本分析

8.4空间信息智能模型编排分系统

8.4.1智能模型构建训练

8.4.2智能模型评估策略

8.4.3智能模型服务部署

8.5空间信息智能平台应用服务支撑

8.5.1空间信息提取服务支撑

8.5.2空间大数据分析服务支撑

8.5.3空间信息展示服务支撑

8.6总结

8.6.1智能空间信息平台建立的问题与难点

8.6.2智能空间信息平台的发展趋势与展望

参考文献

第9章技术与平台发展趋势

9.1遥感智能解译技术发展趋势

9.1.1通用基础模型

9.1.2知识先验智能

9.1.3多模态数据融合

9.1.4生成模型

9.2遥感智能解译平台发展趋势

9.2.1星上智能处理

9.2.2云原生

9.2.3边缘计算与分布式处理

9.2.4人机协同与交互式分析

参考文献