| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 研究工作的背景与意义 | 第11-12页 |
| 1.2 遥感影像道路提取国内外研究现状 | 第12-21页 |
| 1.2.1 道路提取方法现状 | 第13-19页 |
| 1.2.2 深度学习在高分辨率遥感影像道路提取中国内外研究现状 | 第19-21页 |
| 1.3 论文及技术路线及研究内容 | 第21-23页 |
| 1.3.1 技术路线 | 第21页 |
| 1.3.2 研究内容 | 第21-23页 |
| 第二章 面向高分辨率遥感影像道路提取深度学习模型分析 | 第23-40页 |
| 2.1 常用的深度学习影像处理网络层结构 | 第23-29页 |
| 2.1.1 卷积层 | 第23-25页 |
| 2.1.2 池化层 | 第25页 |
| 2.1.3 激活层 | 第25-28页 |
| 2.1.4 局部响应规范化层 | 第28页 |
| 2.1.5 Dropout层 | 第28页 |
| 2.1.6 FC全连接层 | 第28-29页 |
| 2.2 深度学习遥感影像道路提取模型现状分析 | 第29-31页 |
| 2.2.1 逐像素预测模型 | 第29-31页 |
| 2.2.2 影像预测模型 | 第31页 |
| 2.2.3 间接预测型 | 第31页 |
| 2.3 基于全卷积网络改进的遥感影像道路提取模型 | 第31-39页 |
| 2.3.1 全卷机网络FCN简介 | 第31-33页 |
| 2.3.2 基于改进的全卷机网络遥感影像道路提取模型 | 第33-34页 |
| 2.3.3 训练数据的制作 | 第34-37页 |
| 2.3.4 训练及结果分析 | 第37-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第三章 基于小样本训练的深度学习道路提取模型研究 | 第40-50页 |
| 3.1 深度学习小样本训练研究现状分析 | 第40-41页 |
| 3.1.1 基于Finetune | 第40页 |
| 3.1.2 基于Metric | 第40-41页 |
| 3.2 训练数据集与模型性能的相关性研究 | 第41-47页 |
| 3.2.1 训练数据集的数量与性能的关系 | 第42-44页 |
| 3.2.2 训练数据集标签质量与性能的关系 | 第44-45页 |
| 3.2.3 训练数据集的不同类型样本丰富程度与性能的关系 | 第45-47页 |
| 3.2.4 训练数据集的不同类型样本比例与性能的关系 | 第47页 |
| 3.3 深度学习道路提取模型小样本训练模型 | 第47-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第四章 弱/无监督的深度学习道路提取模型研究 | 第50-71页 |
| 4.1 基于现有弱/无监督深度学习模型的道路提取研究 | 第50-61页 |
| 4.1.1 基于自编码的深度学习道路提取模型 | 第50-53页 |
| 4.1.2 基于生成对抗的深度学习道路提取模型 | 第53-56页 |
| 4.1.3 基于循环学习的深度学习道路提取网络模型 | 第56-57页 |
| 4.1.4 基于循环对抗网络的深度学习道路提取模型 | 第57-61页 |
| 4.2 弱/无监督道路提取深度学习模型研究 | 第61-69页 |
| 4.2.1 基于相似度映射关系的深度学习道路提取模型 | 第61-63页 |
| 4.2.2 基于噪声对抗思想的深度学习道路提取模型 | 第63-66页 |
| 4.2.3 基于对应关系对抗思想的深度学习道路提取模型 | 第66-69页 |
| 4.3 各个模型的性能比较 | 第69-70页 |
| 4.4 本章小结 | 第70-71页 |
| 第五章 深度学习道路提取模型训练加速方法 | 第71-79页 |
| 5.1 迁移学习 | 第71-72页 |
| 5.2 模型优化方法 | 第72-78页 |
| 5.2.1 梯度下降法 | 第72-73页 |
| 5.2.2 SGD(Stochastic Gradient Descent) | 第73页 |
| 5.2.3 动量(Momentum)法 | 第73-74页 |
| 5.2.4 Adagrad | 第74页 |
| 5.2.5 Adadelta | 第74-75页 |
| 5.2.6 RMSprop | 第75页 |
| 5.2.7 Adam | 第75-76页 |
| 5.2.8 Nesterov (NAG) | 第76-78页 |
| 5.3 本文模型训练优化方法 | 第78页 |
| 5.4 本章小结 | 第78-79页 |
| 第六章 总结和展望 | 第79-81页 |
| 6.1 工作总结 | 第79-80页 |
| 6.2 展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-87页 |
| 攻读硕士学位期间取得的成果 | 第87页 |
