| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 遥感图像分类 | 第10-12页 |
| 1.2.2 深度学习 | 第12页 |
| 1.2.3 条件随机场模型 | 第12-13页 |
| 1.2.4 深度学习与条件随机场二者结合 | 第13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 2 深度学习与条件随机场模型介绍 | 第15-32页 |
| 2.1 深度学习 | 第15-21页 |
| 2.1.1 神经网络 | 第15-17页 |
| 2.1.2 自动编码器 | 第17页 |
| 2.1.3 深度置信网 | 第17-18页 |
| 2.1.4 卷积神经网络 | 第18-21页 |
| 2.2 经典的卷积神经网络 | 第21-25页 |
| 2.2.1 LeNet-5模型 | 第21-22页 |
| 2.2.2 AlexNet模型 | 第22-23页 |
| 2.2.3 VGG模型 | 第23-24页 |
| 2.2.4 GoogLeNet模型 | 第24页 |
| 2.2.5 ResNet模型 | 第24-25页 |
| 2.3 概率图模型 | 第25-28页 |
| 2.3.1 贝叶斯网络 | 第25-26页 |
| 2.3.2 马尔可夫网络 | 第26页 |
| 2.3.3 概率图模型的学习和推断 | 第26-28页 |
| 2.4 条件随机场的基本理论 | 第28-31页 |
| 2.4.1 条件随机场模型的定义 | 第28-29页 |
| 2.4.2 条件随机场模型的邻域结构 | 第29页 |
| 2.4.3 条件随机场模型的势函数 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 基于深度学习的遥感图像分类 | 第32-47页 |
| 3.1 概述 | 第32-33页 |
| 3.2 卷积神经网络的预分类 | 第33-37页 |
| 3.2.1 卷积神经网络模型 | 第33-36页 |
| 3.2.2 实现过程 | 第36-37页 |
| 3.3 实验 | 第37-46页 |
| 3.3.1 实验数据与评价指标 | 第37-38页 |
| 3.3.2 实验1:单幅遥感图像 | 第38-41页 |
| 3.3.3 实验2:Zurich_dataset_v1.0数据集 | 第41-45页 |
| 3.3.4 CNN尺度融合 | 第45-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 基于深度学习与条件随机场结合的遥感图像分类 | 第47-63页 |
| 4.1 概述 | 第47-48页 |
| 4.2 完整的条件随机场分类框架 | 第48-51页 |
| 4.2.1 Gibbs能量与模型的数学描述 | 第48-49页 |
| 4.2.2 一阶势函数 | 第49页 |
| 4.2.3 二阶势函数 | 第49-50页 |
| 4.2.4 超像素与区域约束 | 第50-51页 |
| 4.2.5 分类框架搭建 | 第51页 |
| 4.3 模型推断与参数估计 | 第51-53页 |
| 4.3.1 平均场近似推断 | 第51-53页 |
| 4.3.2 CRF模型的参数估计 | 第53页 |
| 4.4 实验 | 第53-62页 |
| 4.4.1 实验1:单幅遥感图像 | 第53-56页 |
| 4.4.2 实验2:Zurich_dataset_v1.0数据集 | 第56-61页 |
| 4.4.3 参数敏感性测试 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 5 总结与展望 | 第63-65页 |
| 5.1 本文工作总结 | 第63-64页 |
| 5.2 未来研究展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-73页 |
| 附录 | 第73页 |