基于DOM的水体模式识别方法
| 摘要 | 第4-5页 |
| abstract | 第5-9页 |
| 第一章绪论 | 第9-17页 |
| 1.1研究背景及意义 | 第9-11页 |
| 1.2国内外研究进展 | 第11-14页 |
| 1.2.1语义分割研究进展 | 第11-13页 |
| 1.2.2水体提取研究进展 | 第13-14页 |
| 1.3实验技术路线 | 第14-15页 |
| 1.4论文结构 | 第15-17页 |
| 第二章水体识别关键理论结构分析 | 第17-39页 |
| 2.1神经网络 | 第17-24页 |
| 2.1.1人工神经网络的基本模型 | 第17-21页 |
| 2.1.2卷积神经网络 | 第21-24页 |
| 2.2常见卷积神经网络分析 | 第24-26页 |
| 2.2.1VGG16 | 第24-25页 |
| 2.2.2ResNet | 第25页 |
| 2.2.3DenseNet | 第25页 |
| 2.2.4Xception | 第25-26页 |
| 2.3深度语义分割架构分析 | 第26-38页 |
| 2.4小结 | 第38-39页 |
| 第三章数据处理及环境配置 | 第39-48页 |
| 3.1影像处理 | 第39-43页 |
| 3.1.1数据介绍 | 第39-40页 |
| 3.1.2影像裁剪 | 第40-42页 |
| 3.1.3数据增强 | 第42-43页 |
| 3.2环境配置 | 第43-45页 |
| 3.2.1开发环境配置 | 第43-45页 |
| 3.2.2Spyder介绍 | 第45页 |
| 3.3标签制作 | 第45-47页 |
| 3.4小结 | 第47-48页 |
| 第四章实验与优化 | 第48-67页 |
| 4.1精度评价 | 第48页 |
| 4.2网络对比实验 | 第48-54页 |
| 4.2.1VGG16骨架网络 | 第48-49页 |
| 4.2.2ResNet骨架网络 | 第49-51页 |
| 4.2.3DenseNet骨架网络 | 第51页 |
| 4.2.4Xception骨架网络 | 第51-52页 |
| 4.2.5水体识别对比结果 | 第52-54页 |
| 4.3网络参数调整 | 第54-56页 |
| 4.3.1学习率 | 第54页 |
| 4.3.2动量 | 第54-55页 |
| 4.3.3循环次数 | 第55页 |
| 4.3.4BatchSize | 第55页 |
| 4.3.5参数调整后识别结果 | 第55-56页 |
| 4.4分割结果优化 | 第56-62页 |
| 4.4.1马尔可夫随机场 | 第56-57页 |
| 4.4.2有向图与无向图 | 第57-59页 |
| 4.4.3全连接条件随机场 | 第59-60页 |
| 4.4.4结果对比 | 第60-62页 |
| 4.5水体要素更新 | 第62-66页 |
| 4.5.1拓扑地图模型 | 第62-64页 |
| 4.5.2库数据更新 | 第64-66页 |
| 4.6小结 | 第66-67页 |
| 结论与展望 | 第67-69页 |
| 结论 | 第67-68页 |
| 展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 读学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73页 |
