| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究背景 | 第10-12页 |
| 1.2 深度学习应用于多光谱图像描述符的研究意义 | 第12-14页 |
| 1.3 国内外研究现状 | 第14-16页 |
| 1.3.1 单光谱描述符 | 第14-15页 |
| 1.3.2 多光谱描述符 | 第15-16页 |
| 1.4 论文主要工作及组织结构 | 第16-19页 |
| 1.4.1 论文的研究内容及主要工作 | 第16-17页 |
| 1.4.2 论文的组织结构 | 第17-19页 |
| 第二章 多光谱图像描述符及深度学习研究综述 | 第19-35页 |
| 2.1 图像特征描述符综述 | 第19-21页 |
| 2.2 多光谱图像描述符的特点 | 第21-28页 |
| 2.2.1 SIFT单光谱描述符 | 第23-25页 |
| 2.2.2 EOH多光谱图像描述符 | 第25-27页 |
| 2.2.3 结合梯度幅度的EOH描述符 | 第27-28页 |
| 2.3 深度学习研究综述 | 第28-35页 |
| 2.3.1 深度学习 | 第28-30页 |
| 2.3.2 神经网络的基本原理 | 第30-32页 |
| 2.3.3 反向传播算法 | 第32-35页 |
| 第三章 多光谱图像数据集 | 第35-46页 |
| 3.1 多光谱图像数据的采集流程 | 第35-38页 |
| 3.1.1 多光谱图像数据增广 | 第37-38页 |
| 3.2 多光谱视频采集系统 | 第38-39页 |
| 3.3 红外光谱图像的预处理 | 第39-43页 |
| 3.3.1 图像去模糊 | 第39-41页 |
| 3.3.2 图像灰度均衡 | 第41-42页 |
| 3.3.3 预处理结果展示及分析 | 第42-43页 |
| 3.4 制作正负样本对 | 第43-44页 |
| 3.5 数据集简介 | 第44-46页 |
| 第四章 基于深度学习的多光谱图像描述符 | 第46-61页 |
| 4.1 卷积神经网络 | 第46-49页 |
| 4.1.1 卷积神经网络的基本原理 | 第46-48页 |
| 4.1.2 卷积层在计算机中的实现 | 第48-49页 |
| 4.2 多光谱图像描述符深度学习神经网络 | 第49-57页 |
| 4.2.1 样本重构模块 | 第52-53页 |
| 4.2.2 特征学习网络 | 第53-55页 |
| 4.2.3 测度学习网络 | 第55-57页 |
| 4.3 实验结果与分析 | 第57-60页 |
| 4.4 本章总结 | 第60-61页 |
| 第五章 基于TRIPLETLOSS的多尺度深度学习多光谱图像描述符神经网络的设计 | 第61-78页 |
| 5.1 基于TRIPLETLOSS的多尺度深度学习网络模型 | 第61-68页 |
| 5.1.1 Triplet Loss损失函数 | 第64-66页 |
| 5.1.2 难样本对 | 第66-67页 |
| 5.1.3 全局特征 | 第67-68页 |
| 5.2 深度学习网络训练策略 | 第68-69页 |
| 5.3 快速批量生成图像描述符 | 第69-70页 |
| 5.4 实验结果展示及分析 | 第70-77页 |
| 5.4.1 实验环境 | 第70-71页 |
| 5.4.2 实验过程及可视化 | 第71-72页 |
| 5.4.3 实验结果展示 | 第72-74页 |
| 5.4.4 描述符性能分析 | 第74-77页 |
| 5.5 本章总结 | 第77-78页 |
| 第六章 总结与展望 | 第78-81页 |
| 6.1 总结 | 第78-79页 |
| 6.2 展望 | 第79-81页 |
| 参考文献 | 第81-85页 |
| 致谢 | 第85-86页 |
| 作者攻读学位期间发表的学术论文目录 | 第86页 |