| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 迁移学习方法 | 第18-19页 |
| 1.4 研究内容及章节安排 | 第19-23页 |
| 第二章 基础理论 | 第23-33页 |
| 2.1 引言 | 第23页 |
| 2.2 扩展形态学属性剖面特征提取方法 | 第23-25页 |
| 2.3 栈式稀疏自动编码器 | 第25-29页 |
| 2.3.1 稀疏自动编码器 | 第25-28页 |
| 2.3.2 栈式稀疏自动编码器 | 第28-29页 |
| 2.4 主动学习方法 | 第29-32页 |
| 2.4.1 边缘采样策略 | 第30-31页 |
| 2.4.2 多类别不确定性策略 | 第31-32页 |
| 2.4.3 基于“委员会”策略 | 第32页 |
| 2.5 本章小结 | 第32-33页 |
| 第三章 基于多特征融合与主动迁移一体化网络的高光谱图像分类方法 | 第33-59页 |
| 3.1 引言 | 第33页 |
| 3.2 深度多特征融合与分类网络 | 第33-36页 |
| 3.2.1 深度光谱特征提取网络 | 第34页 |
| 3.2.2 深度空间特征提取网络 | 第34-35页 |
| 3.2.3 深度光谱-空间特征融合与分类网络 | 第35-36页 |
| 3.3 基于深度多特征融合与分类网络的主动学习策略 | 第36-38页 |
| 3.4 主动特征与样本迁移算法 | 第38-42页 |
| 3.4.1 基于遥感图像分类的迁移算法 | 第38-39页 |
| 3.4.2 主动特征与样本迁移算法实现流程 | 第39-42页 |
| 3.5 实验结果分析 | 第42-56页 |
| 3.5.1 高光谱图像分类性能评价指标 | 第42-43页 |
| 3.5.2 数据库与实验设置介绍 | 第43-45页 |
| 3.5.3 深度多特征融合与分类网络性能分析 | 第45-49页 |
| 3.5.4 基于深度多特征融合与分类网络的主动学习策略性能分析 | 第49-51页 |
| 3.5.5 主动特征与样本迁移算法性能分析 | 第51-56页 |
| 3.6 本章小结 | 第56-59页 |
| 第四章 基于无监督深度特征迁移网络的高光谱图像分类方法 | 第59-71页 |
| 4.1 引言 | 第59页 |
| 4.2 K-means聚类方法 | 第59-61页 |
| 4.2.1 算法原理 | 第59-60页 |
| 4.2.2 算法流程 | 第60-61页 |
| 4.3 无监督深度特征迁移算法 | 第61-63页 |
| 4.4 实验结果分析 | 第63-68页 |
| 4.4.1 数据库与实验设置 | 第63页 |
| 4.4.2 实验结果展示 | 第63-64页 |
| 4.4.3 对比实验设置与结果分析 | 第64-68页 |
| 4.5 本章小结 | 第68-71页 |
| 第五章 总结与展望 | 第71-75页 |
| 5.1 总结 | 第71-72页 |
| 5.2 展望 | 第72-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 作者简介 | 第81-82页 |
