基于深度学习的海量高分辨率遥感图片的识别与分类--以宁夏灌区农田为例
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-21页 |
| 1.1 论文选题依据与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 深度学习技术的应用及研究现状 | 第10-12页 |
| 1.2.2 迁移学习方法的应用与发展现状 | 第12-14页 |
| 1.2.3 遥感分类的研究进展 | 第14-16页 |
| 1.2.4 农田识别的研究现状与进展 | 第16页 |
| 1.3 论文结构、内容与目标 | 第16-18页 |
| 1.3.1 论文结构 | 第16-17页 |
| 1.3.2 研究内容 | 第17-18页 |
| 1.3.3 论文目标 | 第18页 |
| 1.4 论文的主要成果与特色 | 第18-21页 |
| 1.4.1 主要成果 | 第18-19页 |
| 1.4.2 研究特色 | 第19-21页 |
| 第2章 基于分布式运算模式的海量遥感图片识别系统 | 第21-33页 |
| 2.1 系统概述 | 第21页 |
| 2.2 功能与数据需求 | 第21-22页 |
| 2.2.1 功能需求与开发 | 第21-22页 |
| 2.2.2 数据要求 | 第22页 |
| 2.3 总体架构 | 第22-28页 |
| 2.3.1 系统框架 | 第22-24页 |
| 2.3.2 硬件框架 | 第24-25页 |
| 2.3.3 分布式运算系统框架 | 第25-27页 |
| 2.3.4 系统运行环境 | 第27-28页 |
| 2.4 系统技术流程 | 第28-31页 |
| 2.4.1 数据下载与预处理 | 第28-29页 |
| 2.4.2 模型训练 | 第29-30页 |
| 2.4.3 模型验证 | 第30页 |
| 2.4.4 目标区域图像识别 | 第30-31页 |
| 2.5 小结 | 第31-33页 |
| 第3章 关键技术与方法 | 第33-43页 |
| 3.1 卷积神经网络 | 第33-35页 |
| 3.1.1 卷积 | 第34页 |
| 3.1.2 池化 | 第34-35页 |
| 3.2 深度学习工具框架 | 第35-38页 |
| 3.3 网络模型结构 | 第38-39页 |
| 3.4 预测与分类 | 第39-40页 |
| 3.4.1 线性回归 | 第39页 |
| 3.4.2 分类与逻辑回归 | 第39-40页 |
| 3.5 精度提升与验证 | 第40-42页 |
| 3.5.1 人机交互验证 | 第41-42页 |
| 3.5.2 人工标签参与 | 第42页 |
| 3.6 小结 | 第42-43页 |
| 第4章 系统框架应用——宁夏灌区地区 | 第43-53页 |
| 4.1 应用案例区域与数据集 | 第43-45页 |
| 4.1.1 训练样本点区域与数据 | 第43-44页 |
| 4.1.2 识别区域概况 | 第44-45页 |
| 4.2 分类结果与精度 | 第45-48页 |
| 4.2.1 分类结果 | 第45-47页 |
| 4.2.2 分类精度 | 第47-48页 |
| 4.3 分类结果的验证 | 第48-50页 |
| 4.3.1 识别区域人工标签样本点的验证 | 第48-49页 |
| 4.3.2 与其他产品的对比分析 | 第49-50页 |
| 4.4 讨论 | 第50-51页 |
| 4.5 小结 | 第51-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 结论 | 第53页 |
| 5.2 研究不足与展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 致谢 | 第61-63页 |
| 攻读学位期间的研究成果 | 第63页 |
