基于卷积神经网络的高光谱数据分类方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-23页 |
| 1.1 课题背景及研究的目的和意义 | 第8-9页 |
| 1.2 国内外研究现状及分析 | 第9-21页 |
| 1.2.1 光谱遥感技术 | 第9-11页 |
| 1.2.2 高光谱数据分类 | 第11-14页 |
| 1.2.3 深度学习理论 | 第14-20页 |
| 1.2.4 卷积神经网络 | 第20-21页 |
| 1.3 课题主要研究内容 | 第21-23页 |
| 第2章 卷积神经网络的分析与验证 | 第23-44页 |
| 2.1 卷积神经网络的理论模型 | 第23-26页 |
| 2.1.1 局部感受野 | 第23-24页 |
| 2.1.2 参数共享 | 第24-25页 |
| 2.1.3 多卷积核 | 第25-26页 |
| 2.2 卷积神经网络的实现框架 | 第26-30页 |
| 2.2.1 现有学习框架及其特点 | 第26-29页 |
| 2.2.2 Caffe框架分析 | 第29-30页 |
| 2.3 实验平台搭建 | 第30-32页 |
| 2.3.1 软件运行平台 | 第30-31页 |
| 2.3.2 硬件平台 | 第31-32页 |
| 2.3.3 模型选择 | 第32页 |
| 2.4 卷积分类平台实验验证及结果分析 | 第32-42页 |
| 2.4.1 样本图片预处理 | 第33-34页 |
| 2.4.2 分类结果与样本内容的关系 | 第34-39页 |
| 2.4.3 分类结果与迭代次数的关系 | 第39-40页 |
| 2.4.4 分类结果与种类数量的关系 | 第40-41页 |
| 2.4.5 分类模型测试时间分析 | 第41-42页 |
| 2.4.6 卷积神经网络分类高光谱数据可行性分析 | 第42页 |
| 2.5 本章小结 | 第42-44页 |
| 第3章 基于卷积神经网络的高光谱图像数据分类 | 第44-58页 |
| 3.1 基于谱信息灰度图像的分类方法 | 第45-46页 |
| 3.2 基于谱信息波形图像的分类方法 | 第46-48页 |
| 3.3 实验及分析 | 第48-57页 |
| 3.3.1 实验数据简介 | 第48-50页 |
| 3.3.2 数据处理 | 第50-51页 |
| 3.3.3 模型深度分析 | 第51-54页 |
| 3.3.4 训练样本情况分析 | 第54-56页 |
| 3.3.5 对比实验 | 第56-57页 |
| 3.4 本章小结 | 第57-58页 |
| 第4章 基于空谱联合的高光谱图像分类方法 | 第58-65页 |
| 4.1 基于空谱信息灰度图像的分类方法 | 第59-60页 |
| 4.2 基于空谱信息波形图像的分类方法 | 第60-61页 |
| 4.3 实验及分析 | 第61-64页 |
| 4.3.1 数据处理 | 第61-62页 |
| 4.3.2 分类结果 | 第62-64页 |
| 4.3.3 对比实验及分析 | 第64页 |
| 4.4 本章小结 | 第64-65页 |
| 结论 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间发表的论文 | 第70-72页 |
| 致谢 | 第72页 |
