| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 论文背景 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的工作与贡献 | 第11-12页 |
| 1.4 本文组织与结构 | 第12-13页 |
| 第2章 卷积神经网络算法研究 | 第13-31页 |
| 2.1 卷积神经网络基本模型 | 第13-15页 |
| 2.2 卷积神经网络原理 | 第15-27页 |
| 2.2.1 卷积神经网络的构成 | 第15-20页 |
| 2.2.2 卷积神经网络的特点 | 第20-23页 |
| 2.2.3 卷积神经网络的训练机制 | 第23-25页 |
| 2.2.4 卷积神经网路的发展 | 第25-27页 |
| 2.3 基于卷积神经网络的图像语义分割技术 | 第27-30页 |
| 2.3.1 图像理解 | 第28页 |
| 2.3.2 卷积神经网络在图像语义分割中的应用 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于卷积神经网络的图像语义分割算法设计 | 第31-48页 |
| 3.1 算法概述 | 第31-32页 |
| 3.2 基于语义分割的卷积神经网络算法研究 | 第32-40页 |
| 3.2.1 全卷积神经网络语义分割算法 | 第32-34页 |
| 3.2.2 编码-解码语义分割算法 | 第34-35页 |
| 3.2.3 DeepLab语义分割网络算法 | 第35-37页 |
| 3.2.4 基于递归神经网络的条件随机场语义分割算法 | 第37-38页 |
| 3.2.5 对比与分析 | 第38-40页 |
| 3.3 语义分割的网络结构设计 | 第40-42页 |
| 3.4 基于条件随机场的图像语义分割 | 第42-47页 |
| 3.4.1 条件随机场算法 | 第43-44页 |
| 3.4.2 稠密条件随机场算法研究 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 针对卫星数据的分割网络算法研究 | 第48-57页 |
| 4.1 算法概述 | 第48页 |
| 4.2 样本集预处理及增容算法 | 第48-55页 |
| 4.2.1 多光谱图像通道合成 | 第49-51页 |
| 4.2.2 多遥感成像指数 | 第51-53页 |
| 4.2.3 样本集增容算法 | 第53-55页 |
| 4.3 改进联合损失函数 | 第55-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 实验结果与分析 | 第57-66页 |
| 5.1 实验环境和实验数据 | 第57-60页 |
| 5.1.1 实验环境 | 第57页 |
| 5.1.2 实验数据 | 第57-58页 |
| 5.1.3 分割结果评价指标 | 第58-60页 |
| 5.2 卫星分割实验结果 | 第60-64页 |
| 5.2.1 网络训练步骤 | 第60-61页 |
| 5.2.2 网络训练过程 | 第61-63页 |
| 5.2.3 网络训练结果 | 第63-64页 |
| 5.3 实验分析 | 第64-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72页 |