《基于深度学习的遥感影像目标识别入门与实践》主要以实现遥感影像的分类、目标检测与目标识别为目的，系统地讲述了遥感技术与深度学习的关系、深度学习的数学基础、卷积神经网络基础、Python基本语法、深度学习框架PyTorch和TensorFlow搭建方法，最后通过LeNet实践、Faster R-CNN实践和U-Net实践，带读者体验深度学习应用于遥感数据处理的具体操作。
本书可作为普通高校遥感科学与技术、摄影测量与遥感、GIS、模式识别与智能处理等专业的实习教材，也可作为AI开发爱好者的自学入门教程。

第1章 遥感技术与深度学习
1.1 遥感技术概述
1.1.1 遥感技术与遥感影像
1.1.2 遥感影像处理
1.1.3 遥感影像处理新理论——摄影测量遥感
1.2 深度学习概述
1.2.1 深度学习的起源阶段
1.2.2 深度学习的发展阶段
1.2.3 深度学习的爆发阶段
第2章 计算机操作与GPU基础
2.1 计算机操作基础
2.1.1 计算机的命令行操作
2.1.2 命令行扩展工具conda
2.2 GPU基础
2.2.1 GPU概述
2.2.2 GPU与并行计算
2.2.3 GPU开发平台
第3章 深度学习的数学基础
3.1 张量基础
3.1.1 张量概述
3.1.2 常见的张量数据
3.1.3 典型张量运算及特点
3.1.4 张量运算函数举例
3.2 卷积基础
3.2.1 离散卷积计算
3.2.2 卷积与互相关
3.2.3 卷积的应用
3.3 数学优化基础
3.3.1 数学优化类型
3.3.2 数学优化算法
3.3.3 学习率
3.3.4 损失函数
第4章 卷积神经网络基础
4.1 神经网络基础
4.1.1 感知机
4.1.2 多层感知机
4.1.3 反向传播
4.2 卷积神经网络
4.2.1 输入层
4.2.2 卷积层
4.2.3 激活函数
4.2.4 池化层
4.2.5 全连接层
4.2.6 输出层
4.3 典型卷积神经网络模型
4.3.1 LeNet模型
4.3.2 AlexNet模型
4.3.3 VGGNet模型
第5章 Python基础
5.1 Python概述
5.2 Python环境搭建
5.3 Python程序
5.3.1 Pvthon编程
5.3.2 Python注释
5.3.3 Python缩进
5.3.4 Python编码规范
5.3.5 Python标识符规范
5.3.6 Python关键字
5.3.7 Python内置函数
5.4 Python基本语法
5.4.1 Python变量类型
5.4.2 Python运算符
5.4.3 Python容器
5.4.4 Python字符串
5.4.5 Python控制语句
5.4.6 Python函数
5.4.7 Python的类
5.4.8 Python的文件操作
5.5 Python模块、包与入口函数
5.5.1 Python模块
5.5.2 Python模块导入
5.5.3 设置Python的执行方式
5.6 Python扩展模块
5.6.1 数值计算NumPy
5.6.2 数学工具SciPy
5.6.3 绘图库Matplotlib
5.6.4 计算机视觉库OpenCV
5.6.5 地理空间数据抽象库GDAL
第6章 深度学习框架
6.1 深度学习框架概述
6.1.1 什么是深度学习框架
6.1.2 如何学好深度学习框架
6.2 PyTorch
6.2.1 PyTorch环境搭建
6.2.2 PyTorch简单测试
6.2.3 PyTorch的组成与使用
6.2.4 PyTorch构建神经网络
6.3 TensorFlow
6.3.1 TensorFlow环境搭建
6.3.2 TensorFlow简单测试
6.3.3 TensorFlow的组成与使用
6.3.4 TensorFlow构建神经网络
6.3.5 TensorFlow可视化TensorBoard
6.4 Caffe
6.4.1 Caffe环境搭建
6.4.2 Caffe的简单使用
6.4.3 Caffe的组成与使用
6.5 其他框架
6.5.1 MXNet
6.5.2 Paddle
6.5.3 CNTK
6.5.4 MatConvNet
6.5.5 DeepLearning4j
6.5.6 DarkNet
第7章 遥感影像分类检测与识别
7.1 影像分类LeNet实践
7.1.1 LeNet概述
7.1.2 LeNet代码编写和数据准备
7.1.3 LeNet模型训练和结果评估
7.1.4 LeNet模型扩展练习
7.2 目标检测Faster R-CNN实践
7.2.1 Faster R-CNN概述
7.2.2 Faster R-CNN代码编写和数据准备
7.2.3 Faster R-CNN模型训练和结果评估
7.2.4 Faster R-CNN模型扩展练习
7.3 目标识别UNet实践
7.3.1 UNet概述
7.3.2 UNet代码编写和数据准备
7.3.3 UNet模型训练和结果评估
参考文献