随着遥感技术的不断进步和深度学习算法的快速发展，深度学习在遥感图像处理中的应用正变得越来越广泛。本书从深度学习与遥感图像处理的相关背景开始，系统地介绍了深度学习在遥感图像处理和分析中的最新进展和应用。本书共分为六章，以遥感图像飞机目标检测、舰船目标检测、遥感图像建筑物提取及遥感图像土地语义分割为例，详细介绍了遥感数据集的增强方法、数据预处理方法、特征提取方法和模型评估方法等，并在通用遥感数据集上对几种遥感图像处理方法进行了设计、验证和评估。 本书旨在为遥感图像处理和深度学习算法的初学者和高级研究者提供一个全面的学习指南，同时也为深度学习在遥感图像处理和应用领域的研究和应用提供重要的参考和技术支持。

第1章 深度学习遥感图像处理技术的研究目的和意义
1.1 研究目的和意义
1.2 国内外研究现状
1.2.1 遥感飞机目标检测与识别方法的研究现状
1.2.2 遥感舰船目标检测与识别方法的研究现状
1.2.3 遥感建筑物提取方法的研究现状
1.2.4 遥感图像土地提取方法的研究现状
第2章 深度学习基础理论
2.1 卷积神经网络
2.1.1 卷积神经网络结构
2.1.2 卷积神经网络分类器
2.1.3 理论感受野与有效感受野
2.1.4 跨尺度特征融合
2.1.5 注意力机制
2.2 典型深度学习算法网络
2.2.1 单阶段目标检测算法
2.2.2 双阶段目标检测算法
2.2.3 DeepLab语义分割算法
2.2.4 U-Net卷积神经网络
2.3 网络轻量化相关理论
2.3.1 网络轻量化的必要性
2.3.2 轻量化网络结构设计
2.3.3 网络压缩
2.3.4 评价指标
第3章 遥感飞机目标检测与识别技术
3.1 遥感图像飞机区域识别网络设计
3.1.1 遥感图像飞机区域识别算法概述
3.1.2 基于AM-ResNet的飞机区域识别算法
3.1.3 基于A2RNet的飞机区域识别算法
3.2 基于改进型Faster R-CNN遥感图像飞机目标识别和定位算法设计
3.2.1 算法框架
3.2.2 改进型Faster R-CNN算法设计
3.2.3 全局处理模块设计
3.2.4 实验结果分析
3.3 旋转飞机目标精炼检测算法研究
3.3.1 轻量化特征提取网络设计
3.3.2 特征融合模块AFPN设计
3.3.3 多尺度逐步检测精炼解码器DRD设计
3.3.4 损失函数设计
3.3.5 实验结果分析
3.4 遥感飞机目标检测技术展望
第4章 遥感舰船目标检测与识别技术
4.1 面向多尺度变化的遥感影像舰船目标检测方法
4.1.1 特征错位问题分析
4.1.2 基于特征选择对齐的多尺度目标检测方法
4.1.3 特征对齐模块设计
4.1.4 特征选择模块设计
4.1.5 实验结果分析
4.2 遥感影像旋转舰船目标检测器RS-YOLOv5设计
4.2.1 基线模型的构建
4.2.2 旋转舰船目标检测器RS-YOLOv5的构建
4.2.3 实验结果分析
4.3 旋转舰船目标检测器RS-YOLOv5轻量化
4.3.1 轻量化网络结构设计
4.3.2 网络压缩
4.3.3 实验结果分析
4.4 遥感图像舰船检测技术展望
第5章 遥感图像建筑物提取技术
5.1 基于DeepLapV3+的建筑物提取方法
5.1.1 遥感建筑图像数据集的构建
5.1.2 训练策略
5.1.3 DeepLabV3+训练结果分析
5.2 基于多尺度融合的建筑物提取方法
5.2.1 跃层特征融合的解码器设计
5.2.2 基于通道混洗的金字塔池化模块设计
5.2.3 训练与结果分析
5.3 引入注意力机制的建筑物提取方法
5.3.1 注意力机制的发展
5.3.2 引入双注意力机制模块
5.3.3 训练与结果分析
5.4 建筑物提取技术展望
第6章 遥感图像土地提取技术
6.1 基于混合注意力和多尺度融合的土地提取方法
6.1.1 跃层特征融合的解码器设计
6.1.2 混合注意力机制模块
6.1.3 总体流程框架图
6.1.4 实验结果分析
6.2 基于DCAUNet神经网络土地提取方法
6.2.1 DUNet网络结构
6.2.2 引入多支路混合空洞卷积
6.2.3 引入双通道注意力机制
6.2.4 DCAUNet损失函数的改进
6.2.5 实验结果分析
参考文献