| 致谢 | 第6-7页 |
| 摘要 | 第7-8页 |
| abstract | 第8-14页 |
| 第一章绪论 | 第14-23页 |
| 1.1研究背景及意义 | 第14-17页 |
| 1.2SAR成像的基本原理与特性 | 第17-19页 |
| 1.2.1SAR成像的基本原理 | 第17-18页 |
| 1.2.2SAR图像的基本特性 | 第18-19页 |
| 1.3SAR洪灾监测国内外研究现状与所存在的问题 | 第19-21页 |
| 1.3.1SAR洪灾监测国内外研究现状 | 第19-20页 |
| 1.3.2SAR洪灾监测所存在的问题 | 第20-21页 |
| 1.4论文的主要工作及结构安排 | 第21-23页 |
| 第二章深度学习算法原理 | 第23-31页 |
| 2.1深度学习基础 | 第23-25页 |
| 2.1.1深度学习发展历程 | 第23-24页 |
| 2.1.2深度学习基本原理 | 第24-25页 |
| 2.2经典深度学习模型 | 第25-29页 |
| 2.2.1SAE模型 | 第25-27页 |
| 2.2.2DBN模型 | 第27-28页 |
| 2.2.3CNN模型 | 第28-29页 |
| 2.3本章小结 | 第29-31页 |
| 第三章基于多深度卷积神经网络的SAR水体信息提取 | 第31-52页 |
| 3.1引言 | 第31-32页 |
| 3.2SAR图像洪灾监测总体流程 | 第32-34页 |
| 3.3多深度卷积神经网络的SAR水体提取算法 | 第34-39页 |
| 3.3.1显著性检测模型 | 第35-36页 |
| 3.3.2多深度卷积神经网络模型 | 第36-38页 |
| 3.3.3基于多深度卷积神经网络的SAR水体信息提取 | 第38-39页 |
| 3.4研究区概况及实验数据 | 第39-43页 |
| 3.4.1研究区概况 | 第39-40页 |
| 3.4.2主要数据源 | 第40-41页 |
| 3.4.3数据预处理 | 第41-43页 |
| 3.5实验结果与分析 | 第43-50页 |
| 3.5.1实验参数设置 | 第43-44页 |
| 3.5.2实验结果与讨论 | 第44-50页 |
| 3.6本章小结 | 第50-52页 |
| 第四章淮河流域SAR图像洪灾监测系统的设计与开发 | 第52-62页 |
| 4.1引言 | 第52页 |
| 4.2基于深度学习的洪灾监测应用系统 | 第52-55页 |
| 4.3基于深度学习的SAR水体信息提取系统模块 | 第55-57页 |
| 4.4基于深度学习的SAR洪灾监测系统模块 | 第57-58页 |
| 4.5淮河流域SAR图像洪灾监测系统实际测试结果 | 第58-61页 |
| 4.6本章小结 | 第61-62页 |
| 第五章总结与展望 | 第62-64页 |
| 5.1论文工作总结 | 第62页 |
| 5.2后期工作展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第70-71页 |