| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 符号对照表 | 第14-16页 |
| 缩略语对照表 | 第16-21页 |
| 第一章 绪论 | 第21-35页 |
| 1.1 研究背景与意义 | 第21-22页 |
| 1.2 国内外研究现状 | 第22-30页 |
| 1.2.1 高光谱数据特性及挑战 | 第22-23页 |
| 1.2.2 研究现状及存在问题 | 第23-30页 |
| 1.3 论文研究内容及章节安排 | 第30-35页 |
| 第二章 基于深度多尺度特征联合稀疏表示学习的高光谱分类 | 第35-53页 |
| 2.1 引言 | 第35-36页 |
| 2.2 深度卷积网络迁移及特征分析 | 第36-40页 |
| 2.2.1 VGG-16 网络结构 | 第36-37页 |
| 2.2.2 迁移学习 | 第37-39页 |
| 2.2.3 基于迁移学习的HSI特征提取及分析 | 第39-40页 |
| 2.3 基于多任务联合稀疏表示学习的多特征融合分类 | 第40-43页 |
| 2.3.1 联合稀疏表示 | 第40-42页 |
| 2.3.2 深度多尺度特征联合稀疏表示分类 | 第42-43页 |
| 2.4 实验与分析 | 第43-52页 |
| 2.4.1 数据及评估方法介绍 | 第43-44页 |
| 2.4.2 参数分析及设置 | 第44-46页 |
| 2.4.3 分类结果的数值及可视化分析 | 第46-49页 |
| 2.4.4 样本数量对分类结果的影响 | 第49-51页 |
| 2.4.5 时间复杂度分析 | 第51-52页 |
| 2.5 本章小结 | 第52-53页 |
| 第三章 基于全卷积网络空间分布预测的高光谱图像分类 | 第53-75页 |
| 3.1 引言 | 第53-54页 |
| 3.2 全卷积网络(FCN)结构简介 | 第54-55页 |
| 3.3 基于全卷积网络的空间分布预测及空谱特征融合分类 | 第55-59页 |
| 3.3.1 基于FCN-8s的 HSI空间分布预测 | 第55-57页 |
| 3.3.2 空谱特征融合分类 | 第57-59页 |
| 3.4 实验与分析 | 第59-73页 |
| 3.4.1 实验及参数设置 | 第59-62页 |
| 3.4.2 分类结果的数值及可视化分析 | 第62-68页 |
| 3.4.3 样本数量对分类结果的影响 | 第68-69页 |
| 3.4.4 特征可视化评估 | 第69-70页 |
| 3.4.5 空谱特征融合结果分析 | 第70页 |
| 3.4.6 时间复杂度分析 | 第70-73页 |
| 3.5 本章小结 | 第73-75页 |
| 第四章 基于多任务协同稀疏自编码器的多尺度空谱特征融合 | 第75-97页 |
| 4.1 引言 | 第75-76页 |
| 4.2 稀疏自编码器 | 第76-79页 |
| 4.3 基于DMS3F2 的高光谱图像特征提取. | 第79-84页 |
| 4.3.1 基于MCSAE的深度空谱特征融合 | 第79-82页 |
| 4.3.2 多尺度特征融合 | 第82-84页 |
| 4.4 实验与分析 | 第84-96页 |
| 4.4.1 数据及评估方法介绍 | 第84-86页 |
| 4.4.2 参数分析及设置 | 第86-88页 |
| 4.4.3 DMS3F2方法的分步评估 | 第88-94页 |
| 4.4.4 实验结果对比分析 | 第94-96页 |
| 4.5 本章小结 | 第96-97页 |
| 第五章 基于超像素关系自编码器的空谱特征融合 | 第97-115页 |
| 5.1 引言 | 第97-98页 |
| 5.2 图正则自编码 | 第98-99页 |
| 5.3 基于超像素的关系自编码 | 第99-103页 |
| 5.3.1 模型建立 | 第100-101页 |
| 5.3.2 模型优化 | 第101-103页 |
| 5.4 多尺度空谱特征融合 | 第103-104页 |
| 5.5 实验与分析 | 第104-113页 |
| 5.5.1 参数分析与设置 | 第104-107页 |
| 5.5.2 MS-RCSAE方法的分布评估 | 第107-108页 |
| 5.5.3 分类结果的数值及可视化分析 | 第108-113页 |
| 5.6 本章小结 | 第113-115页 |
| 第六章 总结及展望 | 第115-117页 |
| 6.1 研究工作总结 | 第115-116页 |
| 6.2 未来工作展望 | 第116-117页 |
| 参考文献 | 第117-131页 |
| 致谢 | 第131-133页 |
| 作者简介 | 第133-135页 |
