第1章 概述
1.1 遥感的基本概念
1.2 遥感的主要方式
1.3 遥感的应用方向
1.4 遥感图像解译及应用
1.5 本书的组织结构
第2章 我国高分专项遥感卫星
2.1 光学高分遥感卫星
2.1.1 高分一号系列
2.1.2 高分二号
2.1.3 高分四号
2.1.4 高分五号
2.1.5 高分六号
2.2 微波高分遥感卫星
2.3 高分遥感卫星数据格式
第3章 神经网络技术
3.1 神经网络技术发展综述
3.1.1 神经网络概述
3.1.2 神经网络发展历程
3.1.3 深度学习
3.2 卷积神经网络的基本概念
3.2.1 卷积神经网络的构成
3.2.2 卷积核的计算方式
3.2.3 非线性变换
3.2.4 池化过程
3.3 基于卷积神经网络的图像处理任务
3.3.1 图像分类
3.3.2 目标检测
3.3.3 图像语义分割
3.4 适用于遥感图像处理的神经网络
第4章 遥感图像智能解译系统
4.1 典型任务分析
4.2 环境配置
4.2.1 安装NVIDIA驱动
4.2.2 安装Docker及NVIDIA-Docker环境
4.2.3 安装基于NVIDIA Docker的TensorFlow框架
4.3 网络结构设计
4.3.1 VGGNet
4.3.2 Inception系列
4.3.3 ResNet和Inception v4
4.3.4 DenseNet
4.3.5 SENet
4.3.6 网络结构的Python代码实现
4.4 样本标记
4.5 系统建模
4.5.1 数据预处理
4.5.2 网络模型选择
4.5.3 损失函数设计
4.5.4 后处理
4.6 模型训练
4.6.1 梯度下降
4.6.2 反向传播
4.7 模型优化
4.7.1 超参数优化
4.7.2 网络结构优化
4.8 模型评估
第5章 地物分类遥感应用
5.1 地物分类任务
5.2 全卷积网络和语义分割
5.3 基于U-Net的遥感图像地物分类
5.3.1 U-Net原理
5.3.2 U-Net处理实例
5.4 基于DeepLab的遥感图像地物分类
5.4.1 DeepLab-v3原理
5.4.2 DeepLab-v3+原理
5.4.3 DeepLab-v3+处理实例
5.5 高分数据的地物分类案例
第6章 变化检测遥感应用
6.1 变化检测任务
6.2 基于多时相语义分割的变化检测方法
6.3 基于RNN和CNN的多光谱遥感冈像的变化检测
6.4 高分数据的变化检测案例
第7章 目标识别遥感应用
7.1 目标识别任务
7.2 基于区域提议的目标识别方法
7.2.1 R-CNN
7.2.2 Fast R-CNN
7.2.3 Faster R-CNN
7.2.4 R2CNN
7.3 高分数据的目标识别案例
第8章 神经网络技术在遥感应用中的发展趋势
8.1 遥感应用面临的问题
8.2 深度神经网络的优势
8.3 神经网络在遥感应用巾的应用前景
附录A Inception v1的Python代码实现
附录B 高分数据的地物分类案例Python代码
附录C 高分数据的变化检测案例Python代码
附录D 高分数据的目标识别案例实验Python代码（R2CNN）
参考文献

随着计算机算力的大幅提升，各种新算法的提出和优化，以及数据获取越来越便捷，人工智能技术得到了迅猛的发展。特别是在计算机视觉方面，基于神经网络的图像识别、目标提取等应用越来越广泛。卫星遥感可以快速获取大范围的图像数据，支持国土调查、资源普查、环保监测、海洋观测、应急减灾、路网规划等众多领域的发展。随着遥感卫星空间分辨率、光谱分辨率的不断提升，以及遥感卫星数量的持续增长，地面将获取到海量的遥感观测数据，如何快速、自动、精确解译这些数据，并从数据中智能提取信息成为制约遥感应用的新问题。
本书在研究神经网络技术的基础上，以我国高分专项卫星为例，探索了人工智能技术对高分遥感影像的自动化处理，包括目标提取、语义分割、变化检测等，通过将遥感技术与人工智能技术的结合，为海量遥感数据的处理提出了新的有效的解决思路。