基于深度学习的多特征高光谱遥感图像分类研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 高光谱遥感概述 | 第11-12页 |
| 1.3 高光谱遥感技术在国内外研究与应用现状 | 第12-14页 |
| 1.3.1 应用与发展 | 第12-13页 |
| 1.3.2 高光谱遥感图像分类概述 | 第13-14页 |
| 1.4 主要研究内容 | 第14-15页 |
| 1.5 文章的总体结构 | 第15-17页 |
| 第2章 基于统计学的分类方法 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 统计学习理论 | 第17-21页 |
| 2.2.1 统计学习要素 | 第18-20页 |
| 2.2.2 统计学习理论 | 第20-21页 |
| 2.3 支持向量机 | 第21-24页 |
| 2.3.1 最优分类平面 | 第21-23页 |
| 2.3.2 最优间隔边界与支持向量 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 降维技术与多尺度特征提取 | 第25-39页 |
| 3.1 引言 | 第25-26页 |
| 3.2 常用高光谱图像降维技术 | 第26-29页 |
| 3.2.1 主成分分析 | 第27页 |
| 3.2.2 独立成分分析 | 第27-28页 |
| 3.2.3 线性判别分析 | 第28页 |
| 3.2.4 主成分分析算法具体流程 | 第28-29页 |
| 3.3 多尺度光谱-空间特征提取 | 第29-32页 |
| 3.3.1 空间特征提取 | 第29-31页 |
| 3.3.2 特征融合 | 第31-32页 |
| 3.4 多尺度光谱-空间特征在SVM中的应用 | 第32页 |
| 3.5 多尺度光谱-空间特征提取实验 | 第32-38页 |
| 3.5.1 实验数据简介 | 第32-34页 |
| 3.5.2 降维目标值实验 | 第34-35页 |
| 3.5.3 基于SVM多尺度特征提取分类实验 | 第35-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 深度神经网络优化 | 第39-49页 |
| 4.1 引言 | 第39-40页 |
| 4.2 逻辑斯谛回归 | 第40-41页 |
| 4.3 栈式自编码器 | 第41-46页 |
| 4.3.1 自编码器 | 第41-43页 |
| 4.3.2 自编码器深度化 | 第43-44页 |
| 4.3.3 栈式自编码器的微调 | 第44-46页 |
| 4.4 深度神经网络的优化 | 第46-48页 |
| 4.4.1 稀疏性与泛化能力 | 第46-47页 |
| 4.4.2 梯度下降的延伸 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第5章 基于深度学习的多特征高光谱图像分类 | 第49-56页 |
| 5.1 引言 | 第49页 |
| 5.2 基于深度学习的多特征高光谱图像分类架构 | 第49-50页 |
| 5.3 实验与结果分析 | 第50-54页 |
| 5.4 本章小结 | 第54-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第63-64页 |
| 致谢 | 第64页 |
