| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-27页 |
| 1.1 研究背景及意义 | 第17-20页 |
| 1.2 国内外研究现状及意义 | 第20-25页 |
| 1.2.1 传统的机器学习方法用于高光谱图像维数约简 | 第21-22页 |
| 1.2.2 基于深度学习的高光谱图像分类方法 | 第22-25页 |
| 1.3 论文的主要工作及内容安排 | 第25-27页 |
| 第二章 相关基础算法介绍 | 第27-35页 |
| 2.1 图嵌入方法研究 | 第27-30页 |
| 2.1.1 拉普拉斯特征映射LE | 第27-28页 |
| 2.1.2 局部保持投影LPP | 第28-29页 |
| 2.1.3 图嵌入框架 | 第29-30页 |
| 2.2 基于深度学习的特征提取方法研究 | 第30-34页 |
| 2.2.1 卷积神经网络CNN | 第30-33页 |
| 2.2.2 生成对抗网络GAN | 第33-34页 |
| 2.3 本章小结 | 第34-35页 |
| 第三章 基于稀疏低秩正则图张量化嵌入的高光谱图像维数约简与分类 | 第35-53页 |
| 3.1 引言 | 第35页 |
| 3.2 稀疏低秩图 | 第35-37页 |
| 3.3 张量化图嵌入框架 | 第37-38页 |
| 3.4 基于稀疏低秩正则图张量化嵌入的维数约简 | 第38-40页 |
| 3.4.1 稀疏低秩正则图 | 第38-39页 |
| 3.4.2 基于稀疏低秩正则图张量化嵌入的维数约简 | 第39-40页 |
| 3.5 实验结果与分析 | 第40-51页 |
| 3.5.2 实验结果 | 第43-49页 |
| 3.5.3 参数分析 | 第49-51页 |
| 3.6 本章小结 | 第51-53页 |
| 第四章 基于样本扩充与生成对抗网络的高光谱遥感图像分类 | 第53-67页 |
| 4.1 引言 | 第53-54页 |
| 4.2 基于多尺度超像素分割的样本扩充 | 第54-56页 |
| 4.2.1 超像素分割 | 第54-55页 |
| 4.2.2 基于多尺度超像素分割的样本扩充 | 第55-56页 |
| 4.3 基于生成对抗网络的高光谱遥感图像特征提取和分类 | 第56-59页 |
| 4.3.1 判别网络构建 | 第56-57页 |
| 4.3.2 生成网络构建 | 第57-58页 |
| 4.3.3 基于生成对抗网络的高光谱图像特征提取和分类 | 第58-59页 |
| 4.4 实验结果与分析 | 第59-66页 |
| 4.4.1 实验结果 | 第59-65页 |
| 4.4.2 参数分析 | 第65-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 基于改进生成对抗网络的高光谱图像空-谱特征提取与分类 | 第67-77页 |
| 5.1 引言 | 第67-68页 |
| 5.2 基于改进卷积神经网络的空-谱特征提取 | 第68-69页 |
| 5.3 基于改进生成对抗网络的空-谱特征提取 | 第69-70页 |
| 5.4 实验结果与分析 | 第70-76页 |
| 5.4.1 实验结果 | 第70-75页 |
| 5.4.2 参数分析 | 第75-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 致谢 | 第85-87页 |
| 作者简介 | 第87-88页 |
