基于深度学习的超分辨率重建算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题的背景及研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 第2章 超分辨率重建算法概述 | 第16-25页 |
| 2.1 超分辨率重建模型 | 第16-17页 |
| 2.2 现有的超分辨率重建算法 | 第17-22页 |
| 2.2.1 基于重建的超分辨率重建算法 | 第17-19页 |
| 2.2.2 基于学习的超分辨率重建算法 | 第19-22页 |
| 2.3 重建图像质量评估 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 基于卷积神经网络和微调的超分辨率重建算法 | 第25-45页 |
| 3.1 卷积神经网络结构与特性 | 第25-28页 |
| 3.2 卷积神经网络训练 | 第28-30页 |
| 3.2.1 反向传播算法 | 第28-29页 |
| 3.2.2 微调原理 | 第29-30页 |
| 3.3 基于卷积神经网络和微调的超分辨率重建算法 | 第30-34页 |
| 3.3.1 快速超分辨率卷积神经网络模型 | 第31-33页 |
| 3.3.2 算法总体结构 | 第33-34页 |
| 3.4 实验结果与分析 | 第34-43页 |
| 3.4.1 微调层选择 | 第35-36页 |
| 3.4.2 遥感数据集的选定 | 第36-37页 |
| 3.4.3 算法评估 | 第37-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 基于深度卷积神经网络的超分辨率重建算法 | 第45-56页 |
| 4.1 VGG-Net结构 | 第45-48页 |
| 4.2 深度卷积神经网络训练 | 第48-51页 |
| 4.2.1 基于反向传播的梯度下降法 | 第48-50页 |
| 4.2.2 可调节的梯度裁剪 | 第50-51页 |
| 4.3 基于深度卷积神经网络的超分辨率重建算法 | 第51-52页 |
| 4.4 实验结果及分析 | 第52-55页 |
| 4.5 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的学术论文 | 第62-63页 |
| 致谢 | 第63页 |
