针对海量、动态、多维、异构的高分辨率卫星遥感观测数据，通过对高分辨压缩信息的获取（“感”），建立多尺度几何分析的建模（“知”），完成特征的学习和分析（“用”），从而提高对地观测系统的综合利用能力，这已成为遥感技术发展的必然趋势。 本书从遥感脑的起源、实现、主要应用等方面，详细讨论了遥感脑的“感-知-用”等方面，内容丰富且涵盖面广，旨在帮助人工智能、遥感解译等领域学者更全面、深入地了解遥感脑系统。全书共15章，系统地论述了遥感脑系统的理论基础、感知与解译应用。希望本书能为读者呈现出遥感脑理论和应用等较为全面的脉络、趋势和图景。 本书适用于涉及深度学习和图像处理类高年级本科生、研究生以及广大科技工作者。

第1章 遥感脑的研究背景及意义
1.1 遥感技术
1.2 遥感数据特性
1.3 类脑生物特性
1.3.1 稀疏性
1.3.2 学习性
1.3.3 选择性
1.3.4 方向性
1.4 遥感脑模型
参考文献
第2章 压缩感知基础
2.1 稀疏编码与字典学习
2.1.1 稀疏编码
2.1.2 字典学习
2.2 压缩测量矩阵
2.2.1 非确定性矩阵
2.2.2 确定性矩阵
2.3 压缩优化重建
2.3.1 贪婪迭代算法
2.3.2 迭代阈值算法
2.3.3 凸松弛重构
2.3.4 非凸重构
2.3.5 进化算法
2.3.6 深度学习重构算法
参考文献
第3章 遥感成像机理与特性
3.1 高光谱遥感影像
3.1.1 高光谱成像原理
3.1.2 常用高光谱数据集
3.2 SAR影像
3.2.1 SAR成像原理
3.2.2 SAR影像特性
3.2.3 常用SAR影像数据集
3.3 极化SAR影像
3.3.1 极化SAR成像原理
3.3.2 极化SAR影像特性
3.3.3 常用极化SAR影像数据集
3.4 机载LiDAR点云影像
3.4.1 机载LiDAR成像原理
3.4.2 机载LiDAR影像特性
3.4.3 常用机载LiDAR数据集
3.5 遥感光学影像
3.5.1 场景分类数据集
3.5.2 常用变化检测数据集
3.5.3 常用语义分割数据集
3.5.4 常用目标检测数据集
3.6 遥感视频
3.6.1 遥感视频原理
3.6.2 遥感视频特性
3.6.3 常用遥感视频数据集
参考文献
第4章 脑启发的深度神经网络
4.1 神经网络的发展历史
4.2 自编码器
4.2.1 一般自编码器
4.2.2 稀疏自编码器
4.2.3 变分自编码器
4.2.4 图自编码器
4.2.5 遥感领域中的应用
4.3 深度生成网络
4.3.1 贝叶斯网络
4.3.2 深度置信网络
4.3.3 卷积深度置信网络
4.3.4 判别深度置信网络
4.3.5 遥感领域中的应用
4.4 浅层卷积神经网络
4.4.1 LeNet
4.4.2 AlexNet
4.4.3 ZFNet
4.4.4 全卷积网络
4.4.5 UNet
4.4.6 SegNet
4.4.7 VGG网络
4.4.8 GoogLeNet
4.4.9 遥感领域中的应用
4.5 类残差网络
4.5.1 ResNet
4.5.2 ResNeXt
4.5.3 DenseNet
4.5.4 DPN网络
4.5.5 Inception网络
4.5.6 遥感领域中的应用
4.6 递归神经网络
4.6.1 循环神经网络
4.6.2 LSTM网络
4.6.3 GRU网络
4.6.4 Conv-LSTM网络
4.6.5 遥感领域中的应用
4.7 生成对抗网络
4.7.1 GAN基础
4.7.2 CGAN
4.7.3 DCGAN
4.7.4 CycleGAN
4.7.5 WGAN
4.7.6 遥感领域中的应用
4.8 胶囊网络
4.8.1 胶囊网络原理
4.8.2 矩阵胶囊网络
4.8.3 堆叠胶囊自编码器
4.8.4 遥感领域中的应用
4.9 图卷积神经网络
4.9.1 图的基本定义
4.9.2 图信号处理
4.9.3 GCN
4.9.4 遥感领域中的应用
参考文献
第5章 脑与自然启发的学习优化
5.1 多尺度学习
5.1.1 多尺度学习原理
5.1.2 SSD网络
5.1.3 FPNet
5.1.4 PANet
5.1.5 ThunderNet
5.1.6 Libra R-CNN
5.1.7 遥感领域中的应用
5.2 注意力学习
5.2.1 注意力学习原理
5.2.2 STN
5.2.3 SENet
5.2.4 SKNet
5.2.5 遥感领域中的应用
5.3 Siamese协同学习
5.3.1 Siamese协同学习原理
5.3.2 MatchNet
5.3.3 Siamese FC网络
5.3.4 CFNet
5.3.5 Siamese RPN
5.3.6 遥感领域中的应用
5.4 强化学习
5.4.1 强化学习原理
5.4.2 面向值函数的深度强化学习
5.4.3 面向策略梯度的深度强化学习
5.4.4 遥感领域中的应用
5.5 迁移学习
5.5.1 迁移学习原理
5.5.2 迁移学习分类
5.5.3 遥感领域中的应用
5.6 联邦学习
5.6.1 联邦学习原理
5.6.2 联邦学习分类
5.6.3 联邦学习与神经网络学习之间的差异
5.6.4 联邦学习与分布式学习之间的差异
5.6.5 遥感领域中的应用
参考文献
第6章 遥感影像重建
6.1 基于边缘信息指导的压缩感知影像重建
6.1.1 边缘信息的提取方法
6.1.2 基于边缘信息指导的MP算法
6.1.3 实验结果与分析
6.2 基于进化正交匹配追踪的压缩感知影像重构
6.2.1 编码与解码
6.2.2 进化正交匹配策略
6.2.3 实验结果与分析
6.3 本章小结
参考文献
第7章 遥感影像配准
7.1 基于深度特征表示的遥感影像配准
7.1.1 特征表示匹配网络模型
7.1.2 基于空间关系的局部特征匹配策略
7.1.3 实验结果与分析
7.2 基于双支路的卷积深度置信网的遥感影像匹配
7.2.1 自适应领域的样本选择策略
7.2.2 双支