- 图卷积神经网络及其在高光谱影像分类中的应用/信息感知测量前沿技术丛书
- - 作者：张志利//丁遥//赵晓枫//何芳|责编:孙伯元|总主编:张志利
  - 出版社：科学
  - ISBN：9787030797995
  - 出版日期：2025/01/01
  - 页数：138
- 售价：44

内容大纲
本书主要介绍作者团队在图卷积神经网络高光谱影像分类方法设计方面的理论研究及应用成果。全书共6章。第1章介绍研究背景，概述高光谱影像分类现状和存在的问题，以及图神经网络的基础知识和实验采用评价指标。第2～6章介绍多种基于图神经网络的半监督/无监督高光谱遥感影像分类方法，包括图样本聚合高光谱影像特征提取与分类方法、CNN卷积与图卷积相结合的高光谱影像特征提取与分类方法、自回归滑动平均高光谱影像特征提取与分类方法、自适应滤波器-聚合器高光谱影像特征提取与分类方法、无监督低通图神经网络高光谱影像特征提取与聚类方法。
本书可供电子信息工程、计算机应用技术、自动化、仪器科学与技术等相关专业的研究生和高年级本科生学习，也可供相关科研人员、工程技术人员参考。
作者介绍
目录
“信息感知测量前沿技术丛书”序
前言
第1章  绪论
  1.1  背景与意义
  1.2  国内外研究现状
    1.2.1  高光谱影像特征提取与分类发展现状
    1.2.2  图神经网络高光谱影像特征提取与分类发展现状
  1.3  图神经网络综述
    1.3.1  图神经网络发展历史
    1.3.2  图神经网络与网络嵌入
    1.3.3  图神经网络与图核方法
    1.3.4  图神经网络主要模型
  1.4  评价指标
  1.5  研究内容
第2章  图样本聚合高光谱影像特征提取与分类
  2.1  引言
  2.2  图样本聚集
    2.2.1  传播规则
    2.2.2  聚合器函数
  2.3  上下文感知学习的多尺度图样本聚合高光谱影像分类
    2.3.1  局部区域分割
    2.3.2  多尺度操作
    2.3.3  上下文感知学习与图形重构
  2.4  实验结果与分析
    2.4.1  实验设置
    2.4.2  分类结果对比分析
    2.4.3  不同数量的训练样本对MSAGE-CAL方法性能影响分析
    2.4.4  消融实验
    2.4.5  训练时间对比分析
  2.5  本章小结
第3章  CNN卷积与图卷积相结合的高光谱影像特征提取与分类
  3.1  引言
  3.2  卷积神经网络
  3.3  MFGCN高光谱影像分类
    3.3.1  像素到区域分配和光谱特征转换
    3.3.2  多尺度GCN的方法
    3.3.3  多尺度CNN的方法
    3.3.4  多特征融合与区域到像素分配
    3.3.5  基于MFGCN的高光谱影像分类
  3.4  实验结果与分析
    3.4.1  实验设置
    3.4.2  分类结果对比分析
    3.4.3  超参数的选择
    3.4.4  消融实验
    3.4.5  不同数量的训练样本对MFGCN方法性能影响分析
  3.5  本章小结
第4章  自回归滑动平均高光谱影像特征提取与分类
  4.1  引言
  4.2  自回归滑动平均卷积核实现
  4.3  DARMA-CAL高光谱影像分类

    4.3.1  像素到区域转换和图构建
    4.3.2  ARMA图卷积层
    4.3.3  具有稠密连接的邻域聚合
    4.3.4  基于注意力的全局分层聚合
    4.3.5  基于DARMA-CAL的高光谱影像分类
  4.4  实验结果与分析
    4.4.1  实验设置
    4.4.2  分类结果对比分析
    4.4.3  不同数量的训练样本对DARMA-CAL方法性能影响分析
    4.4.4  DARMA-CAL超参数影响分析
    4.4.5  消融实验
    4.4.6  训练时间对比
  4.5  本章小结
第5章  自适应滤波器-聚合器高光谱影像特征提取与分类
  5.1  引言
  5.2  图滤波器、聚合器和消息传递神经网络
    5.2.1  图滤波器
    5.2.2  图卷积聚合器
    5.2.3  消息传递神经网络
  5.3  自适应滤波器和聚合器高光谱影像分类
    5.3.1  AF2GNN高光谱影像分类概述
    5.3.2  自适应滤波器机制
    5.3.3  聚合器融合原理
    5.3.4  AF2GNN网络实现
    5.3.5  基于AF2GNN的高光谱影像分类
  5.4  实验结果与分析
    5.4.1  实验设置
    5.4.2  分类结果对比分析
    5.4.3  AF2GNN超参数影响分析
    5.4.4  不同数量的训练样本对AF2GNN方法性能影响分析
    5.4.5  不同分割模块影响分析
    5.4.6  消融实验
    5.4.7  训练时间对比分析
  5.5  本章小结
第6章  无监督低通图神经网络高光谱影像特征提取与聚类
  6.1  引言
  6.2  LGCC方法基本框架
  6.3  无监督低通图神经网络高光谱影像聚类
    6.3.1  低通图卷积自动编码器
    6.3.2  低通图卷积嵌入式自动编码器
    6.3.3  自监督聚类
    6.3.4  联合嵌入与优化
    6.3.5  像素到区域变换与图构建
  6.4  实验结果与分析
    6.4.1  实验设置
    6.4.2  实验结果对比分析
    6.4.3  t-分布随机邻居嵌入数据分布可视化
    6.4.4  LGCC方法超参数影响分析
    6.4.5  消融实验
    6.4.6  计算复杂度分析

  6.5  本章小结
参考文献
附录  本书所用数据集
  1.Indian Pines数据集
  2.Kennedy Space Center数据集
  3.Pavia University数据集
  4.Salinas数据集
  5.University of Houston 2013数据集

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目