| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外在该方向的研究现状及分析 | 第13-14页 |
| 1.3 本文主要工作及创新点 | 第14-15页 |
| 1.4 论文结构 | 第15-16页 |
| 第2章 基于SVM及卷积神经网络的图像分类方法概述 | 第16-28页 |
| 2.1 基于SVM的图像分类方法 | 第16-17页 |
| 2.2 基于深度卷积神经网络的图像分类方法 | 第17-25页 |
| 2.2.1 卷积层 | 第17-18页 |
| 2.2.2 池化层 | 第18-19页 |
| 2.2.3 批规范化层 | 第19-20页 |
| 2.2.4 激活函数 | 第20页 |
| 2.2.5 反向传播机制 | 第20-25页 |
| 2.3 经典深度卷积神经网络结构 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 一种适合小样本高光谱遥感图像分类的深度学习方法 | 第28-39页 |
| 3.1 高光谱图像光谱冗余性分析 | 第28-29页 |
| 3.2 小样本高光谱遥感图像深度学习方法HSI-CNN | 第29-35页 |
| 3.2.1 构建块组合思想 | 第29-32页 |
| 3.2.2 HSI-CNN基本分类框架 | 第32-35页 |
| 3.3 实验结果与分析 | 第35-38页 |
| 3.3.1 数据集介绍 | 第35-36页 |
| 3.3.2 HSI-CNN分类实验与分析 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 采用局部特征增强的半监督深度自编码学习方法 | 第39-48页 |
| 4.1 半监督深度自编码网络 | 第39-45页 |
| 4.1.1 解码层基本原理 | 第41-43页 |
| 4.1.2 采用局部特征增强的半监督深度自编码网络 | 第43-45页 |
| 4.2 半监督深度自编码图像分类算法 | 第45-46页 |
| 4.3 实验结果与分析 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第5章 半监督残差梯型网络 | 第48-58页 |
| 5.1 梯型网络基本思想 | 第48-49页 |
| 5.2 半监督残差梯型网络 | 第49-51页 |
| 5.3 采用局部特征增强的半监督残差梯型网络 | 第51-55页 |
| 5.3.1 噪声增强方法 | 第51-53页 |
| 5.3.2 损失函数 | 第53页 |
| 5.3.3 算法流程 | 第53-55页 |
| 5.4 实验结果与分析 | 第55-57页 |
| 5.4.1 噪声增强方法对比实验 | 第55页 |
| 5.4.2 特征层选取对比实验 | 第55-56页 |
| 5.4.3 基于半监督残差梯型网络的高光谱遥感图像分类实验 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士期间发表（含录用）的学术论文 | 第63页 |
