基于深度学习的SAR图像变化检测与语义分析
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 SAR图像变化检测研究现状 | 第13-17页 |
| 1.2.2 深度学习技术在SAR图像解译中的应用 | 第17-19页 |
| 1.3 本文工作安排 | 第19-22页 |
| 第二章 基于二进小波增强与模糊聚类的变化检测 | 第22-36页 |
| 2.1 引言 | 第22页 |
| 2.2 基于二进小波的差异图增强算法 | 第22-26页 |
| 2.2.1 二进小波分解 | 第23-25页 |
| 2.2.2 差异图自适应增强 | 第25-26页 |
| 2.3 边缘局部信息FCM算法 | 第26-29页 |
| 2.3.1 FLICM算法 | 第26-27页 |
| 2.3.2 ROEWA边缘算子 | 第27-28页 |
| 2.3.3 引入边缘信息的FLICM算法 | 第28-29页 |
| 2.4 实验结果与分析 | 第29-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第三章 基于残差自编码器的SAR图像特征提取方法 | 第36-52页 |
| 3.1 引言 | 第36页 |
| 3.2 神经网络理论基础 | 第36-42页 |
| 3.2.1 前向传播及后向传播 | 第37-40页 |
| 3.2.2 卷积神经网络 | 第40-41页 |
| 3.2.3 无监督学习网络 | 第41-42页 |
| 3.3 残差自编码器 | 第42-45页 |
| 3.4 实验结果与分析 | 第45-49页 |
| 3.4.1 实验环境及数据 | 第45页 |
| 3.4.2 实验结果 | 第45-49页 |
| 3.5 本章小结 | 第49-52页 |
| 第四章 基于深度学习的变化语义分析方法 | 第52-64页 |
| 4.1 引言 | 第52页 |
| 4.2 SAR图像的直方图表示 | 第52-54页 |
| 4.3 特征差异向量 | 第54-55页 |
| 4.4 基于特征差异向量的差异图构造 | 第55-56页 |
| 4.5 基于迁移学习的网络模型训练 | 第56-58页 |
| 4.6 实验结果与分析 | 第58-63页 |
| 4.6.1 实验环境及数据 | 第58-59页 |
| 4.6.2 实验结果 | 第59-63页 |
| 4.7 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 主要工作与创新点 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 作者简历 | 第72页 |
