人工智能与图像处理:基于机器学习和深度学习电子书

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

1.2.1 高光谱遥感图像的光谱分辨率优势

1.2.2 高光谱遥感图像处理的主要任务

1.2.3 高光谱遥感图像的主要应用

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

2.1.1 基本原理分析

2.1.2 算法设计与实现

2.1.3 小结

2.2 线性判别分析方法

2.2.1 基本原理分析

2.2.2 算法设计与实现

2.2.3 小结

2.3 独立成分分析方法

2.3.1 基本原理分析

2.3.2 算法设计与实现

2.3.3 小结

2.4 特征选择方法

2.4.1 基本原理分析

2.4.2 案例分析

2.4.3 小结

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

3.1.1 基本原理分析

3.1.2 算法设计与实现

3.1.3 小结

3.2 逻辑回归图像分类方法

3.2.1 基本原理分析

3.2.2 算法设计与实现

3.2.3 小结

3.3 朴素贝叶斯图像分类方法

3.3.1 基本原理分析

3.3.2 算法设计与实现

3.3.3 小结

3.4 KNN图像分类方法

3.4.1 基本原理分析

3.4.2 算法设计与实现

3.4.3 小结

3.5 SVM图像分类方法

3.5.1 基本原理分析

3.5.2 算法设计与实现

3.5.3 小结

3.6 K-means图像分类方法

3.6.1 基本原理分析

3.6.2 算法设计与实现

3.6.3 小结

3.7 决策树图像分类方法

3.7.1 基本原理分析

3.7.2 算法设计与实现

3.7.3 小结

3.8 随机森林图像分类方法

3.8.1 基本原理分析

3.8.2 算法设计与实现

3.8.3 小结

第4章 PyTorch深度学习框架

4.1 PyTorch架构与功能

4.1.1 PyTorch简介

4.1.2 PyTorch的基本概念

4.1.3 PyTorch的核心模块

4.1.4 深度学习模型的构建与训练

4.1.5 数据处理与加载

4.1.6 PyTorch的高阶功能

4.1.7 小结

4.2 PyTorch应用案例：构建一个简单的CNN模型

4.2.1 应用案例简介

4.2.2 实现步骤

4.2.3 小结

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

5.1.1 基本原理分析

5.1.2 算法设计与实现

5.1.3 小结

5.2 CNN图像分类方法

5.2.1 基本原理分析

5.2.2 算法设计与实现

5.2.3 小结

5.3 DBN图像分类方法

5.3.1 基本原理分析

5.3.2 算法设计与实现

5.3.3 小结

5.4 RNN图像分类方法

5.4.1 基本原理分析

5.4.2 算法设计与实现

5.4.3 小结

5.5 GAN图像分类方法

5.5.1 基本原理分析

5.5.2 算法设计与实现

5.5.3 小结

5.6 自编码器图像分类方法

5.6.1 基本原理分析

5.6.2 算法设计与实现

5.6.3 小结

5.7 注意力机制图像分类方法

5.7.1 基本原理分析

5.7.2 算法设计与实现

5.7.3 小结

5.8 深度强化学习图像分类方法

5.8.1 基本原理分析

5.8.2 算法设计与实现

5.8.3 小结

参考文献