| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 课题背景及研究意义 | 第15-16页 |
| 1.2 高光谱遥感图像数据描述 | 第16-17页 |
| 1.3 国内外研究现状 | 第17-19页 |
| 1.3.1 高光谱图像分类研究现状 | 第17-18页 |
| 1.3.2 深度学习在高光谱图像分类方面的进展 | 第18-19页 |
| 1.4 本文的主要研究内容 | 第19-23页 |
| 第二章 深度神经网络理论基础 | 第23-31页 |
| 2.1 引言 | 第23页 |
| 2.2 深度堆栈自编码器模型概述 | 第23-25页 |
| 2.2.1 自编码器模型结构 | 第23-24页 |
| 2.2.2 深度堆栈自编码器模型结构 | 第24-25页 |
| 2.3 卷积神经网络概述 | 第25-29页 |
| 2.3.1 卷积操作 | 第25-26页 |
| 2.3.2 池化操作 | 第26-27页 |
| 2.3.3 局部感受野 | 第27-28页 |
| 2.3.4 参数共享 | 第28页 |
| 2.3.5 CNN网络结构 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于边界辨别的堆栈自编码器高光谱图像分类 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 基于边界辨别的堆栈自编码器高光谱图像分类 | 第31-35页 |
| 3.2.1 堆栈自编码器应用高光谱图像分类 | 第31-32页 |
| 3.2.2 基于边界样本微调网络 | 第32-35页 |
| 3.3 实验结果与分析 | 第35-39页 |
| 3.4 本章小结 | 第39-41页 |
| 第四章 基于自适应空间约束的边界堆栈自编码器高光谱图像分类 | 第41-65页 |
| 4.1 引言 | 第41页 |
| 4.2 基于自适应空间约束的边界栈式编码器的高光谱图像分类 | 第41-48页 |
| 4.2.1 基于自适应空间约束的边界堆栈自编码器 | 第41-44页 |
| 4.2.2 熵率超像素分割 | 第44页 |
| 4.2.3 基于自适应约束的训练 | 第44-47页 |
| 4.2.4 边界样本选择策略 | 第47-48页 |
| 4.2.5 基于投票策略的逻辑回归分类 | 第48页 |
| 4.3 算法过程 | 第48-49页 |
| 4.4 实验结果分析 | 第49-64页 |
| 4.4.1 实验数据集描述 | 第50-51页 |
| 4.4.2 实验设置 | 第51页 |
| 4.4.3 高光谱数据集分类结果 | 第51-58页 |
| 4.4.4 运行时间的比较 | 第58-60页 |
| 4.4.5 训练样本数量的敏感性分析 | 第60-61页 |
| 4.4.6 提取特征节点数量的敏感性分析 | 第61-63页 |
| 4.4.7 自由参数分析 | 第63-64页 |
| 4.5 本章小结 | 第64-65页 |
| 第五章 基于空谱联合卷积神经网络的高光谱图像分类 | 第65-85页 |
| 5.1 引言 | 第65页 |
| 5.2 基于空谱联合卷积神经网络的高光谱图像分类 | 第65-72页 |
| 5.2.1 基于空谱联合的卷积神经网络结构 | 第65-68页 |
| 5.2.2 空谱联合特征 | 第68-69页 |
| 5.2.3 多层特征融合 | 第69-70页 |
| 5.2.4 基于空谱特征进行样本扩充 | 第70-72页 |
| 5.3 实验结果与分析 | 第72-84页 |
| 5.3.1 实验数据集描述 | 第72-73页 |
| 5.3.2 实验设置 | 第73-74页 |
| 5.3.3 高光谱图像分类结果 | 第74-82页 |
| 5.3.4 运行时间的对比 | 第82-84页 |
| 5.4 本章小结 | 第84-85页 |
| 第六章 总结与展望 | 第85-87页 |
| 6.1 本文工作总结 | 第85-86页 |
| 6.2 对进一步工作的展望 | 第86-87页 |
| 参考文献 | 第87-93页 |
| 致谢 | 第93-95页 |
| 作者简介 | 第95页 |