| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究进展及现状 | 第15-17页 |
| 1.3 论文研究内容与安排 | 第17-20页 |
| 第二章 基于S-CAE的静态极光图像分类 | 第20-34页 |
| 2.1 引言 | 第20-21页 |
| 2.2 理论基础 | 第21-25页 |
| 2.2.1 图像显著图 | 第21-22页 |
| 2.2.2 自动稀疏编码器AE | 第22-23页 |
| 2.2.3 卷积神经网络 | 第23-25页 |
| 2.3 基于S-CAE的极光图像分类 | 第25-29页 |
| 2.3.1 基于显著图的训练样本提取 | 第26-27页 |
| 2.3.2 基于AE的卷积滤波器训练 | 第27-29页 |
| 2.3.3 构建卷积网络 | 第29页 |
| 2.4 实验结果与分析 | 第29-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于张量动态纹理模型的极光序列分类 | 第34-46页 |
| 3.1 引言 | 第34页 |
| 3.2 理论基础 | 第34-37页 |
| 3.2.1 动态纹理LDS模型 | 第34-35页 |
| 3.2.2 动态纹理模型求解 | 第35-36页 |
| 3.2.3 动态纹理模型间的马丁距离 | 第36-37页 |
| 3.3 基于动态纹理模型的极光序列分类 | 第37-39页 |
| 3.3.1 基于SVD分解动态纹理模型的极光序列分类 | 第37-38页 |
| 3.3.2 基于Ho SVD分解动态纹理模型的极光序列分类 | 第38-39页 |
| 3.4 实验结果与分析 | 第39-44页 |
| 3.5 本章小结 | 第44-46页 |
| 第四章 基于单帧特征和动态纹理模型的极光序列分类 | 第46-54页 |
| 4.1 引言 | 第46页 |
| 4.2 理论基础 | 第46-50页 |
| 4.2.1 SIFT特征 | 第47-48页 |
| 4.2.2 HOG特征 | 第48-49页 |
| 4.2.3 LBP和LDP特征 | 第49页 |
| 4.2.4 深度学习特征 | 第49-50页 |
| 4.3 基于特征序列的极光动态纹理分类 | 第50页 |
| 4.4 实验结果与分析 | 第50-52页 |
| 4.5 本章小结 | 第52-54页 |
| 第五章 总结与展望 | 第54-58页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62-64页 |
| 作者简介 | 第64-65页 |