本书是作者攻读博士学位期间主要的研究成果，将计算机视觉及深度卷积神经网络理论及技术应用到遥感影像目标检测与语义分割中。深度卷积神经网络的优势是能够自动学习每一层特征，而无须人工设计目标的特征；另外它下采样层的设计，具有更大的感受野，不仅可以提取局部特征，还能提取更加抽象的全局特征。因此，研究将深度卷积神经网络应用于遥感影像目标检测及语义分割，具有重要的实际应用价值。
本书的第1章是绪论，介绍了研究背景、意义；国内外发展现状及存在的问题；第2章介绍了与卷积神经网络相关的理论、模型、训练的流程及精度评价指标；第3章基于区域卷积神经网络用于遥感影像的车辆检测理论、实验；第4章、第5章、第6章分别介绍了全卷积神经网络模型、引入条件随机场的卷积神经网络模型、膨胀卷积算法的卷积神经网络模型用于遥感影像语义分割。内容由浅入深，采用了不同的数据，针对不同的目标对象，最后展示了语义分割的结果，并进行了精度评定。

第1章 绪论
1.1 研究背景和意义
1.2 卷积神经网络在目标检测领域的发展
1.2.1 深度学习的发展
1.2.2 深度卷积神经网络在目标检测领域的发展
1.3 卷积神经网络在语义分割领域的发展
1.4 卷积神经网络在遥感影像语义分割的研究现状
1.4.1 研究现状
1.4.2 存在的问题
1.5 研究内容及结构组织
1.5.1 研究内容
1.5.2 组织结构
第2章 相关理论基础
2.1 图像语义分割
2.1.1 概述
2.1.2 图像语义分割
2.2 神经网络
2.2.1 单个神经元
2.2.2 神经网络模型
2.2.3 多层神经网络模型
2.3 卷积神经网络
2.3.1 局部感知野
2.3.2 参数共享
2.3.3 卷积计算
2.3.4 多卷积核
2.3.5 卷积神经网络的架构
2.4 训练流程
2.4.1 前向计算
2.4.2 损失优化
2.4.3 反向传播及参数更新
2.5 超参数
2.5.1 学习率
2.5.2 小批处理大小
2.5.3 权重初始化
2.5.4 正则化
2.5.5 动量
2.6 主要模型介绍
2.6.1 LeNet-5
2.6.2 AlexNet
2.6.3 ZFNet
2.6.4 VGG-Net
2.7 迁移学习
2.8 精度评价指标
2.9 本章小结
第3章 区域卷积神经网络用于车辆目标检测
3.1 目标检测
3.1.1 滑动窗口检测
3.1.2 滑动窗口的卷积计算
3.1.3 交并比
3.1.4 非极大值抑制
3.2 区域建议生成网络
3.3 区域卷积神经网络目标检测的流程
3.3.1 训练流程
3.3.2 测试流程
3.4 实验设备及框架
3.4.1 实验设备
3.4.2 实验框架——caffe／caffe2框架
3.5 实验及结果分析
3.5.1 基于区域卷积神经网络的车辆检测实验
3.5.2 基于传统的方向梯度直方图的车辆检测实验
3.5.3 实验结果
3.6 本章小结
第4章 基于全卷积神经网络进行遥感影像语义分割
4.1 全卷积的架构
4.1.1 卷积化
4.1.2 反卷积
4.1.3 跳层结构
4.2 实验及结果分析
4.2.1 水体目标语义分割6l
4.2.2 农村建筑物目标语义分割
4.2.3 城市目标语义分割
4.3 本章小结
第5章 引入条件随机场的卷积神经网络模型进行遥感影像语义分割
5.1 条件随机场的基本原理
5.1.1 概率图模型
5.1.2 CRF模型的基本形式8l
5.2 引入条件随机场的深度卷积神经网络8l
5.2.1 像素级别的标注预测的条件随机场
5.2.2 条件随机场的推理
5.2.3 参数学习
5.2.4 引入CRF的深度卷积神经网络模型的构造
5.3 实验及结果分析
5.3.1 城市目标语义分割
5.3.2 多通道数据组合的城市目标语义分割
5.4 本章小结
第6章 使用膨胀卷积算法进行遥感影像语义分割
6.1 膨胀卷积
6.2 多尺度预测
6.3 模型的构造
6.3.1 模型一
6.3.2 改进的模型
6.4 实验及结果分析
6.4.1 模型一
6.4.2 改进的模型
6.4.3 实验结果
6.5 本章小结
第7章 总结与展望
7.1 研究工作总结
7.2 展望
附录
专有名词表
参考文献