基于深度学习的遥感图像分类算法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 选题背景和研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-20页 |
| 1.2.1 遥感图像分类研究现状 | 第14-17页 |
| 1.2.2 深度学习在遥感图像分类中的研究现状 | 第17-20页 |
| 1.3 本文的主要研究内容 | 第20-21页 |
| 1.4 本文的章节安排 | 第21-23页 |
| 第二章 基础知识概述 | 第23-37页 |
| 2.1 深度学习理论 | 第23-24页 |
| 2.1.1 深度学习的基本思想 | 第23-24页 |
| 2.1.2 深度学习的网络训练过程 | 第24页 |
| 2.2 卷积神经网络 | 第24-34页 |
| 2.2.1 卷积神经网络的实现框架 | 第24-29页 |
| 2.2.2 卷积神经网络的训练过程 | 第29-30页 |
| 2.2.3 卷积神经网络的特点 | 第30-32页 |
| 2.2.4 卷积神经网络中过拟合的优化方案 | 第32-34页 |
| 2.3 遥感图像光谱-空间信息融合方法 | 第34-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第三章 基于卷积神经网络的遥感图像分类算法 | 第37-57页 |
| 3.1 算法设计 | 第37-44页 |
| 3.1.1 遥感图像预处理 | 第38-40页 |
| 3.1.2 基于1D-CNN的光谱特征提取 | 第40-42页 |
| 3.1.3 基于2D-CNN的空间特征提取 | 第42-44页 |
| 3.1.4 特征融合与分类 | 第44页 |
| 3.2 算法验证 | 第44-54页 |
| 3.2.1 验证数据 | 第44-49页 |
| 3.2.2 特征提取 | 第49-54页 |
| 3.3 验证结果与分析 | 第54-56页 |
| 3.4 本章小结 | 第56-57页 |
| 第四章 基于跨连接的分类算法改进 | 第57-71页 |
| 4.1 算法设计 | 第57-59页 |
| 4.2 基于2D-CCNN的空间特征提取 | 第59-65页 |
| 4.2.1 2D-CCNN结构介绍 | 第59-60页 |
| 4.2.2 2D-CCNN训练过程 | 第60-62页 |
| 4.2.3 2D-CCNN性能分析 | 第62-65页 |
| 4.3 验证结果与分析 | 第65-69页 |
| 4.4 本章小结 | 第69-71页 |
| 第五章 总结与展望 | 第71-73页 |
| 5.1 总结 | 第71-72页 |
| 5.2 展望 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-81页 |
| 研究成果及发表的学术论文 | 第81-83页 |
| 作者及导师简介 | 第83-85页 |
| 附件 | 第85-86页 |
