小样本条件下的遥感图像分类方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 大规模数据集的图像分类研究现状 | 第10-11页 |
| 1.2.2 小样本数据集的图像分类研究现状 | 第11-12页 |
| 1.2.3 现有研究的不足之处 | 第12-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第2章 图像分类相关工作与技术 | 第15-25页 |
| 2.1 传统图像分类技术 | 第15-17页 |
| 2.2 卷积神经网络 | 第17-23页 |
| 2.2.1 卷积神经网络的基本结构 | 第17-18页 |
| 2.2.2 卷积神经网络前向与反向传播 | 第18-20页 |
| 2.2.3 经典的卷积神经网络 | 第20-23页 |
| 2.3 深度学习模型微调技术 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于类残差网络的深度模型优化 | 第25-40页 |
| 3.1 类残差网络结构设计 | 第25-26页 |
| 3.2 类残差网络结构的深度模型 | 第26-28页 |
| 3.3 实验过程与结果分析 | 第28-39页 |
| 3.3.1 数据集 | 第29-31页 |
| 3.3.2 实验环境搭建 | 第31页 |
| 3.3.3 实验综合分析 | 第31-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 稀疏深度模型的优化 | 第40-50页 |
| 4.1 奇异值分解方法 | 第40-41页 |
| 4.2 类奇异值分解的深度模型设计 | 第41-44页 |
| 4.2.1 基于类奇异值分解的网络结构设计 | 第41-42页 |
| 4.2.2 降维压缩过程设计 | 第42-44页 |
| 4.3 实验过程与结果分析 | 第44-49页 |
| 4.3.1 类奇异值分解的网络模型 | 第44-45页 |
| 4.3.2 实验设置和实验环境 | 第45页 |
| 4.3.3 实验综合分析 | 第45-49页 |
| 4.4 本章小结 | 第49-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-57页 |
| 致谢 | 第57页 |
