| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 课题研究背景 | 第8-9页 |
| 1.1.1 遥感研究的背景与意义 | 第8页 |
| 1.1.2 遥感图像研究的背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 遥感图像处理分析的研究现状 | 第9-11页 |
| 1.2.2 深度网络进行目标识别研究的现状 | 第11-13页 |
| 1.2.3 迁移学习的研究现状 | 第13-14页 |
| 1.3 研究内容和技术路线 | 第14-15页 |
| 1.4 论文结构 | 第15-18页 |
| 第2章 基于卷积神经网络的光学遥感图像分类 | 第18-24页 |
| 2.1 与传统方法的对比 | 第18-20页 |
| 2.1.1 K均值(K-means) | 第18-19页 |
| 2.1.2 模糊K-均值(Fuzzy K-means) | 第19页 |
| 2.1.3 吸引子传播算法(Affinity Propagation,AP) | 第19页 |
| 2.1.4 支持向量机(Support Vector Machine,SVM) | 第19-20页 |
| 2.1.5 卷积神经网络(CNN) | 第20页 |
| 2.2 迁移学习 | 第20-21页 |
| 2.3 深度学习图像分类 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第3章 基于卷积神经网络的遥感图像目标识别 | 第24-46页 |
| 3.1 问题的提出与解决方案概述 | 第24-31页 |
| 3.1.1 遥感数据集概况 | 第27-28页 |
| 3.1.2 算法解决方案概述 | 第28-31页 |
| 3.2 算法选型 | 第31-33页 |
| 3.3 算法实现 | 第33-45页 |
| 3.3.1 卷积神经网络架构的实现 | 第36-40页 |
| 3.3.2 卷积神经网络实例过程 | 第40-43页 |
| 3.3.3 反向传播训练算法计算 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 实验结果及分析 | 第46-58页 |
| 4.1 实验流程 | 第46-53页 |
| 4.1.1 数据准备 | 第46-47页 |
| 4.1.2 图片数据库转换格式 | 第47-48页 |
| 4.1.3 生成均值文件 | 第48页 |
| 4.1.4 训练数据集 | 第48-51页 |
| 4.1.5 实验结果 | 第51-53页 |
| 4.2 CNN迁移学习结果对比 | 第53-54页 |
| 4.3 网络不同层的学习能力分析 | 第54-55页 |
| 4.4 不同CNN网络结构的对比 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66页 |
