| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 极化SAR影像地物分类的研究现状及存在问题 | 第15-18页 |
| 1.3 论文内容与结构 | 第18-20页 |
| 第二章 卷积神经网络的理论基础 | 第20-28页 |
| 2.1 引言 | 第20页 |
| 2.2 人工神经网络的基本思想 | 第20-22页 |
| 2.2.1 人工神经网络的研究背景 | 第20-21页 |
| 2.2.2 人工神经网络模型 | 第21-22页 |
| 2.2.3 人工神经网络的应用 | 第22页 |
| 2.3 深度学习与卷积神经网络的基本思想 | 第22-26页 |
| 2.3.1 深度学习的研究现状 | 第22-23页 |
| 2.3.2 深度学习模型的特点与应用 | 第23-24页 |
| 2.3.3 卷积神经网络模型 | 第24-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 基于CNN卷积特征学习和SVM的极化SAR影像地物分类 | 第28-46页 |
| 3.1 引言 | 第28页 |
| 3.2 基于AE的CNN卷积特征学习 | 第28-33页 |
| 3.2.1 极化SAR影像的输入形式 | 第29-31页 |
| 3.2.2 AE初始参数化 | 第31页 |
| 3.2.3 Softmax微调 | 第31-32页 |
| 3.2.4 SVM的分类思想 | 第32-33页 |
| 3.3 基于CNN卷积特征学习和SVM的极化SAR影像地物分类 | 第33-35页 |
| 3.4 对比实验结果与分析 | 第35-44页 |
| 3.4.1 对Flevoland数据的实验结果与分析 | 第37-39页 |
| 3.4.2 对San Francisco Bay数据的实验结果与分析 | 第39-41页 |
| 3.4.3 对Oberpfaffenhofen数据的实验结果与分析 | 第41-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 基于PCA池化特征学习和SVM的极化SAR影像地物分类 | 第46-56页 |
| 4.1 引言 | 第46页 |
| 4.2 池化学习的方式 | 第46-47页 |
| 4.3 基于PCA池化特征学习和SVM的极化SAR影像地物分类 | 第47-49页 |
| 4.3.1 PCA的主方向以及主分量个数的确定 | 第47-48页 |
| 4.3.2 基于PCA的池化特征学习 | 第48页 |
| 4.3.3 算法流程 | 第48-49页 |
| 4.4 对比实验结果与分析 | 第49-55页 |
| 4.4.1 对Flevoland数据的实验结果与分析 | 第50-52页 |
| 4.4.2 对San Francisco Bay数据的实验结果与分析 | 第52-53页 |
| 4.4.3 对Oberpfaffenhofen数据的实验结果与分析 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 基于Turbo Pixels超像素分割和SVM的极化SAR影像地物分类 | 第56-68页 |
| 5.1 引言 | 第56页 |
| 5.2 Turbo Pixels超像素分割的基本思想 | 第56-59页 |
| 5.3 基于Turbo Pixels超像素分割和SVM的极化SAR影像地物分类 | 第59页 |
| 5.4 对比实验结果与分析 | 第59-67页 |
| 5.4.1 对Flevoland数据的实验结果与分析 | 第60-63页 |
| 5.4.2 对San Francisco Bay数据的实验结果与分析 | 第63-65页 |
| 5.4.3 对Oberpfaffenhofen数据的实验结果与分析 | 第65-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 论文总结与展望 | 第68-70页 |
| 6.1 论文总结 | 第68页 |
| 6.2 后期工作与展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |
