| 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15-21页 |
| 1.1 论文研究背景介绍 | 第15页 |
| 1.2 遥感图像分类算法的研究现状 | 第15-19页 |
| 1.2.1 基于低级视觉特征的分类方法 | 第15-16页 |
| 1.2.2 基于中级视觉特征的分类方法 | 第16-17页 |
| 1.2.3 基于无监督特征学习的分类方法 | 第17-18页 |
| 1.2.4 基于深度特征学习的分类方法 | 第18-19页 |
| 1.3 论文的主要研究内容 | 第19-21页 |
| 第二章 基于卷积神经网络的高分辨率SAR图像分类算法 | 第21-33页 |
| 2.1 研究背景 | 第21页 |
| 2.2 基于卷积神经网络的高分辨率SAR图像的分类算法 | 第21-26页 |
| 2.2.1 卷积神经网络各层级理论基础 | 第21-24页 |
| 2.2.2 卷积神经网络结构模型(M-ConvNet) | 第24-26页 |
| 2.2.3 卷积神经网络的训练设置 | 第26页 |
| 2.2.4 数据增强 | 第26页 |
| 2.3 实验 | 第26-31页 |
| 2.3.1 实验数据介绍 | 第26-29页 |
| 2.3.2 实验结果与分析 | 第29-30页 |
| 2.3.3 基于卷积神经网络的高分SAR图像分类展示系统 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于深度残差预训练网络的遥感场景图像分类 | 第33-59页 |
| 3.1 理论基础 | 第33-38页 |
| 3.1.1 ImageNet比赛 | 第33页 |
| 3.1.2 AlexNet卷积神经网络模型 | 第33-35页 |
| 3.1.3 VGGNet卷积神经网络模型 | 第35-37页 |
| 3.1.4 GoogLeNet卷积神经网络模型 | 第37-38页 |
| 3.2 融合多个深度残差预训练模型（Multi-Res Net)的遥感场景图像分类 | 第38-48页 |
| 3.2.1 深度残差网络(ResNet)的残差模块 | 第38-41页 |
| 3.2.2 深度残差网络(ResNet)模型 | 第41-44页 |
| 3.2.3 基于深度预训练网络的特征提取与分类 | 第44-46页 |
| 3.2.4 融合预训练模型(Multi-ConvNets)的遥感场景图像分类 | 第46-48页 |
| 3.3 实验 | 第48-58页 |
| 3.3.1 实验数据介绍 | 第48-51页 |
| 3.3.2 UCMERCE数据集的实验结果及分析 | 第51-54页 |
| 3.3.3 RSSCN7数据集的实验结果及分析 | 第54-56页 |
| 3.3.4 NWPU-RESISC45数据集的实验结果及分析 | 第56-58页 |
| 3.4 本章小结 | 第58-59页 |
| 第四章 基于数据增强与迁移学习的的遥感场景图像分类 | 第59-69页 |
| 4.1 理论基础 | 第59-60页 |
| 4.1.1 经典卷积神经网络 | 第59页 |
| 4.1.2 数据增强 | 第59-60页 |
| 4.2 基于数据增强与迁移学习的遥感场景图像分类 | 第60-62页 |
| 4.2.1 基于数据增强和迁移学习的遥感场景图像分类 | 第60-61页 |
| 4.2.2 融合多个fine-tuned网络的遥感场景图像分类 | 第61-62页 |
| 4.3 实验 | 第62-69页 |
| 4.3.1 实验设置 | 第62-63页 |
| 4.3.2 实验数据介绍 | 第63页 |
| 4.3.3 UCMERCE数据集的实验结果及分析 | 第63-66页 |
| 4.3.4 NWPU-RESISC45数据集的实验结果及分析 | 第66-68页 |
| 4.3.5 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-81页 |
