| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 论文结构安排 | 第17-19页 |
| 第二章 极化SAR及深度学习理论介绍 | 第19-33页 |
| 2.1 极化基本概念及其矢量描述 | 第19-20页 |
| 2.1.1 极化椭圆和Jones矢量 | 第19-20页 |
| 2.1.2 Stokes矢量和Poincare球 | 第20页 |
| 2.2 散射机理 | 第20-23页 |
| 2.2.1 表面散射 | 第21页 |
| 2.2.2 漫散射 | 第21-22页 |
| 2.2.3 偶次散射 | 第22页 |
| 2.2.4 体散射 | 第22-23页 |
| 2.3 散射体的极化描述 | 第23-26页 |
| 2.3.1 极化散射矩阵 | 第23-24页 |
| 2.3.2 Muller矩阵 | 第24页 |
| 2.3.3 Stokes矩阵 | 第24-25页 |
| 2.3.4 极化相干矩阵与极化协方差矩阵 | 第25-26页 |
| 2.4 极化目标分解 | 第26-28页 |
| 2.5 深度学习简要介绍 | 第28-32页 |
| 2.5.1 自动编码器 | 第28-29页 |
| 2.5.2 稀疏自动编码器 | 第29页 |
| 2.5.3 受限玻尔兹曼机 | 第29-30页 |
| 2.5.4 深度置信网络 | 第30-31页 |
| 2.5.5 卷积神经网络 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 基于颜色特征的DBN网络PolSAR图像分类 | 第33-51页 |
| 3.1 颜色特征提取 | 第33-36页 |
| 3.1.1 HSV颜色直方图 | 第33-34页 |
| 3.1.2 MPEG-7颜色结构描述符 | 第34-36页 |
| 3.2 深度置信网络 | 第36-40页 |
| 3.2.1 RBM | 第37-39页 |
| 3.2.2 Softmax分类器 | 第39页 |
| 3.2.3 DBN的学习 | 第39-40页 |
| 3.3 基于颜色特征的DBN极化SAR图像分类 | 第40-50页 |
| 3.3.1 实验模型介绍 | 第40-41页 |
| 3.3.2 实验结果及分析 | 第41-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第四章 基于迁移策略的深度网络学习 | 第51-61页 |
| 4.1 迁移学习理论介绍 | 第51-53页 |
| 4.2 深度学习中的迁移策略 | 第53页 |
| 4.3 迁移策略用于深度网络提升极化SAR分类性能 | 第53-60页 |
| 4.3.1 实验设置 | 第54-55页 |
| 4.3.2 实验结果及分析 | 第55-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 基于classRBM的PolSAR数据分类 | 第61-73页 |
| 5.1 classRBM介绍 | 第61-62页 |
| 5.2 不同的目标函数 | 第62-64页 |
| 5.2.1 生成模型训练目标 | 第62-63页 |
| 5.2.2 判别模型训练目标 | 第63-64页 |
| 5.2.3 混合模型训练目标 | 第64页 |
| 5.3 基于classRBM的PolSAR图像分类 | 第64-72页 |
| 5.3.1 算法实现 | 第64-65页 |
| 5.3.2 实验结果及分析 | 第65-72页 |
| 5.4 本章小节 | 第72-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 总结 | 第73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81-83页 |
| 作者简介 | 第83-84页 |
