基于卷积神经网络的高光谱遥感图像分类技术研究
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 实验数据以及分类评测标准 | 第13-15页 |
| 1.3.1 高光谱遥感图像实验数据 | 第13-14页 |
| 1.3.2 分类评测标准 | 第14-15页 |
| 1.4 本文的主要工作 | 第15-16页 |
| 1.5 论文组织结构 | 第16-18页 |
| 第2章 高光谱图像分类和深度学习的相关技术 | 第18-29页 |
| 2.1 传统的高光谱遥感图像分类方法 | 第18-23页 |
| 2.1.1 特征提取方法 | 第18-20页 |
| 2.1.2 分类器的选择 | 第20-23页 |
| 2.2 基于深度学习的高光谱遥感图像分类方法 | 第23-27页 |
| 2.2.1 受限玻尔兹曼机 | 第24-25页 |
| 2.2.2 自编码 | 第25-26页 |
| 2.2.3 循环神经网络 | 第26页 |
| 2.2.4 卷积神经网络 | 第26-27页 |
| 2.3 本章小结 | 第27-29页 |
| 第3章 基于卷积神经网络的特征融合分类方法 | 第29-45页 |
| 3.1 保边松弛滤波 | 第29-32页 |
| 3.2 提取光谱特征的卷积神经网络 | 第32-35页 |
| 3.3 提取空间特征的卷积神经网络 | 第35-37页 |
| 3.4 基于卷积神经网络的特征融合的分类模型 | 第37-38页 |
| 3.5 实验结果与分析 | 第38-44页 |
| 3.5.1 实验设置 | 第38-40页 |
| 3.5.2 去噪处理 | 第40-41页 |
| 3.5.3 块大小与主成分数 | 第41页 |
| 3.5.4 与其他方法的对比 | 第41-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 端到端的卷积神经网络结合后处理的分类方法 | 第45-56页 |
| 4.1 加权均值滤波 | 第45-47页 |
| 4.2 卷积神经网络结合预处理和后处理的分类模型 | 第47-48页 |
| 4.3 实验结果与分析 | 第48-55页 |
| 4.3.1 实验设置 | 第48-49页 |
| 4.3.2 均值滤波后处理 | 第49-51页 |
| 4.3.3 特征融合层 | 第51-52页 |
| 4.3.4 与其他方法的对比 | 第52-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 论文总结 | 第56-57页 |
| 5.2 未来工作展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 致谢 | 第63-65页 |
| 个人简历、在学期间发表的学术论文及研究成果 | 第65页 |
