论文解读——deep learning in remote sensing

1. motivation

2. 从感知机到深度学习

感知机是早期神经网络的基础，是一种受生物启发的e分类模型，用于

2.1 自动编码模型

2.1.1 自编码和堆自编码

2.1.2 稀疏自编码

2.1.3 RBM和DBN

2.2 CNN

2.2.1 AlexNet

2.2.2 VGGNet

2.2.3 ResNet

2.2.4 FCN 

3. 当遥感遇到深度学习

3.1 高光谱图像分析

3.1.1 高光谱图像分类

1） 基于SAE

2） 基于监督的CNN

3） 基于非监督的深度学习

4）基于RNN

3.1.2 高光谱图像异常检测

3.2  SAR图像解译

3.2.1 自动目标解译

3.2.2 地物覆盖分类

3.2.3 参数反演

3.3 高分辨率卫星图像解译

3.3.1 场景分类

3.3.2 目标检测

3.3.3 图像检索

3.4 多源数据融合

3.4.1 锐化和超分辨率

3.4.2 特征级和决策级的融合用于分类

1） 特征级融合

2） 决策级融合

3.4.3 使用CNN解决不同的任务

3.4.4 融合异源数据

3.5 3D重建

3.5.1 自动系带点（tie-points）识别和匹配

3.5.2 基于CNN的音频信号处理（stereo process）

3.5.3 大规模语义3D城市重建