科技 类型
可以朗读 语音朗读
115千字 字数
2026-03-01 发行日期
展开全部

主编推荐语

高光谱遥感×AI，探索图像分类前沿技术与应用。

内容简介

高光谱遥感技术以其独特的光谱指纹识别能力，为精确解译地球表面信息提供了前所未有的可能，但海量光谱数据的复杂性也对传统分析方法提出了严峻挑战。

本书是一部全面介绍高光谱遥感图像分类方法与人工智能应用的专业图书，系统地将机器学习与深度学习的前沿成果引入高光谱遥感图像分类。

全书构建了从传统机器学习方法到深度神经网络架构，再到前沿强化学习智能体的完整技术体系，深入探讨了从数据降维、特征提取到分类优化的完整技术链条，涵盖主成分分析（PCA）、支持向量机（SVM）、随机森林（RF）等经典机器学习方法，以及卷积神经网络（CNN）、生成对抗网络（GAN）、注意力机制等深度学习技术。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 第1章 高光谱遥感图像与人工智能概述
  • 1.1 高光谱遥感图像的发展历史
  • 1.2 高光谱遥感图像处理技术与应用
  • 1.3 高光谱遥感图像分类方法与机器学习
  • 1.4 高光谱遥感图像分类方法与深度学习
  • 1.5 总结与发展趋势
  • 第2章 高维图像的降维与特征提取方法
  • 2.1 主成分分析方法
  • 2.2 线性判别分析方法
  • 2.3 独立成分分析方法
  • 2.4 特征选择方法
  • 第3章 基于机器学习的图像分类方法
  • 3.1 线性回归图像分类方法
  • 3.2 逻辑回归图像分类方法
  • 3.3 朴素贝叶斯图像分类方法
  • 3.4 KNN图像分类方法
  • 3.5 SVM图像分类方法
  • 3.6 K-means图像分类方法
  • 3.7 决策树图像分类方法
  • 3.8 随机森林图像分类方法
  • 第4章 PyTorch深度学习框架
  • 4.1 PyTorch架构与功能
  • 4.2 PyTorch应用案例：构建一个简单的CNN模型
  • 第5章 基于PyTorch深度学习图像分类方法
  • 5.1 多层感知机图像分类方法
  • 5.2 CNN图像分类方法
  • 5.3 DBN图像分类方法
  • 5.4 RNN图像分类方法
  • 5.5 GAN图像分类方法
  • 5.6 自编码器图像分类方法
  • 5.7 注意力机制图像分类方法
  • 5.8 深度强化学习图像分类方法
  • 参考文献
展开全部

评分及书评

评分不足
1个评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。