基于自编码器与卷积神经网络的遥感对象分类
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 引言 | 第10-11页 |
| 1.2 研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-17页 |
| 1.3.1 面向对象遥感分类方法研究现状 | 第12-13页 |
| 1.3.2 自编码器应用研究现状 | 第13-15页 |
| 1.3.3 卷积神经网络研究现状 | 第15-17页 |
| 1.4 主要研究内容 | 第17-19页 |
| 1.5 论文的组织结构 | 第19-21页 |
| 第2章 面向对象遥感分类基础与深度学习理论 | 第21-38页 |
| 2.1 面向对象理论基础 | 第21-25页 |
| 2.1.1 多尺度分割 | 第22-23页 |
| 2.1.2 分类精度评价方法 | 第23-25页 |
| 2.2 深度学习概述 | 第25-36页 |
| 2.2.1 自编码器 | 第26-29页 |
| 2.2.2 卷积神经网络 | 第29-36页 |
| 2.3 本章小结 | 第36-38页 |
| 第3章 面向对象遥感数据集获取 | 第38-44页 |
| 3.1 研究区概况 | 第39-40页 |
| 3.2 对象获取流程 | 第40-41页 |
| 3.3 样本后处理 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 栈式自编码器和BP神经网络混合模型 | 第44-52页 |
| 4.1 样本局部采样 | 第44-46页 |
| 4.1.1 样本局部采样方法 | 第44-46页 |
| 4.1.2 大样本类别确定方法 | 第46页 |
| 4.2 模型结构设计 | 第46-48页 |
| 4.3 参数设置原则 | 第48-49页 |
| 4.4 实验结果与分析 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 基于多分类器的多尺度卷积神经网络模型 | 第52-60页 |
| 5.1 多尺度卷积神经网络结构 | 第52-53页 |
| 5.2 基于多分类器集成的多尺度网络结构 | 第53-56页 |
| 5.2.1 传统贝叶斯投票法 | 第54-55页 |
| 5.2.2 改进贝叶斯投票法 | 第55-56页 |
| 5.3 实验结果和分析 | 第56-58页 |
| 5.4 本章小结 | 第58-60页 |
| 第6章 卷积自编码器和卷积神经网络混合模型 | 第60-71页 |
| 6.1 混合模型结构设计 | 第60-61页 |
| 6.2 基于CAE提取影像特征 | 第61-64页 |
| 6.3 混合模型参数设计 | 第64-65页 |
| 6.4 实验结果与分析 | 第65-70页 |
| 6.4.1 总体精度 | 第66-67页 |
| 6.4.2 运行效率 | 第67-68页 |
| 6.4.3 有标签样本的依赖性 | 第68-70页 |
| 6.5 本章小结 | 第70-71页 |
| 第7章 总结与展望 | 第71-74页 |
| 7.1 主要工作 | 第71-72页 |
| 7.2 展望 | 第72-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士期间参与的项目及研究成果 | 第81页 |
