Deep Learning for Remote Sensing Images with Open Source Software

در دنیای امروزی، کدهای منبع یادگیری عمیق و تعداد زیادی از تصاویر مکانی با دسترسی آزاد به راحتی در دسترس و به راحتی قابل دسترسی هستند. با این حال، اکثر مردم ابزارهای آموزشی برای استفاده از این منبع را از دست می دهند. آموزش عمیق برای تصاویر سنجش از دور با نرم افزار منبع باز اولین کتاب کاربردی برای معرفی تکنیک های یادگیری عمیق با استفاده از ابزارهای منبع باز رایگان برای پردازش تصاویر سنجش از دور دنیای واقعی است. رویکردهای شرح داده شده در این کتاب عمومی هستند و می‌توانند برای بسیاری از کاربردهای مختلف برای پردازش تصویر سنجش از دور، از جمله نقشه‌برداری پوشش زمین، جنگل‌داری، مطالعات شهری، نقشه‌برداری بلایای طبیعی، بازسازی تصویر و غیره سازگار شوند. این کتاب با در نظر گرفتن پزشکان و دانشجویان نوشته شده است. به پیوند تئوری و استفاده عملی از ابزارها و داده‌های موجود برای اعمال تکنیک‌های یادگیری عمیق بر روی تصاویر و داده‌های سنجش از دور کمک می‌کند.

ویژگی های خاص این کتاب:

• اولین کتابی که توضیح می دهد نحوه اعمال تکنیک های یادگیری عمیق برای داده های عمومی و رایگان در دسترس (تصاویر Spot-7 و Sentinel-2، داده های برداری OpenStreetMap)، با استفاده از نرم افزار منبع باز (QGIS، Orfeo ToolBox، TensorFlow)

< p>

• رویکردهای مناسب برای تصاویر و داده‌های دنیای واقعی را ارائه می‌دهد که پردازش‌های مقیاس بزرگ و کاربردهای GIS را هدف قرار می‌دهند
• آموزش عمیق پیشرفته را معرفی می‌کند. خانواده‌های معماری که می‌توانند در دنیای سنجش از دور، عمدتاً برای نقشه‌برداری پوشش زمین، بلکه برای رویکردهای عمومی (مانند بازسازی تصویر) استفاده شوند
• مناسب برای مبتدیان یادگیری عمیق و خوانندگان با دانش GIS. برای یادگیری مهارت‌های عملی به دانش کدنویسی نیاز نیست.
• شامل تکنیک‌های یادگیری عمیق از طریق بسیاری از تمرین‌های گام به گام سنجش از راه دور پردازش داده‌ها است.

In today’s world, deep learning source codes and a plethora of open access geospatial images are readily available and easily accessible. However, most people are missing the educational tools to make use of this resource. Deep Learning for Remote Sensing Images with Open Source Software is the first practical book to introduce deep learning techniques using free open source tools for processing real world remote sensing images. The approaches detailed in this book are generic and can be adapted to suit many different applications for remote sensing image processing, including landcover mapping, forestry, urban studies, disaster mapping, image restoration, etc. Written with practitioners and students in mind, this book helps link together the theory and practical use of existing tools and data to apply deep learning techniques on remote sensing images and data.

Specific Features of this Book:

• The first book that explains how to apply deep learning techniques to public, free available data (Spot-7 and Sentinel-2 images, OpenStreetMap vector data), using open source software (QGIS, Orfeo ToolBox, TensorFlow)
• Presents approaches suited for real world images and data targeting large scale processing and GIS applications
• Introduces state of the art deep learning architecture families that can be applied to remote sensing world, mainly for landcover mapping, but also for generic approaches (e.g. image restoration)
• Suited for deep learning beginners and readers with some GIS knowledge. No coding knowledge is required to learn practical skills.
• Includes deep learning techniques through many step by step remote sensing data processing exercises.