| 摘要 | 第6-8页 |
| Abstract | 第8-9页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 传统高分辨率遥感影像分类方法 | 第13-14页 |
| 1.2.2 基于深度学习的高分辨率遥感影像分类方法 | 第14-17页 |
| 1.2.3 存在的主要问题 | 第17页 |
| 1.3 本文的研究内容与目的 | 第17-18页 |
| 1.3.1 研究目的 | 第17页 |
| 1.3.2 研究内容 | 第17-18页 |
| 1.4 技术路线 | 第18页 |
| 1.5 论文组织结构 | 第18-20页 |
| 第2章 深度学习模型原理 | 第20-34页 |
| 2.1 卷积神经网络 | 第20-25页 |
| 2.1.1 CNN的结构与原理 | 第20-24页 |
| 2.1.2 CNN的特点 | 第24-25页 |
| 2.2 全卷积神经网络 | 第25-30页 |
| 2.2.1 FCN的原理 | 第26-28页 |
| 2.2.2 FCN的特点 | 第28-29页 |
| 2.2.3 U-Net模型 | 第29-30页 |
| 2.3 反向传播算法 | 第30-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 多源影像数据生成 | 第34-40页 |
| 3.1 Vaihingen实验数据介绍 | 第34-36页 |
| 3.2 nDSM生成 | 第36-38页 |
| 3.2.1 LiDAR点云数据粗差剔除 | 第37页 |
| 3.2.2 生成nDSM | 第37-38页 |
| 3.3 NDVI生成 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 基于U-Net模型的分类及全连接CRFs的影像后处理方法 | 第40-51页 |
| 4.1 基于U-Net模型的分类及全连接CRFs的后处理方法概述 | 第40页 |
| 4.2 基于U-Net模型的高分辨率遥感影像分类方法 | 第40-46页 |
| 4.2.1 波段组合及数据集划分 | 第40-41页 |
| 4.2.2 数据归一化 | 第41页 |
| 4.2.3 样本选取 | 第41-42页 |
| 4.2.4 数据增强 | 第42-43页 |
| 4.2.5 U-Net模型训练 | 第43-46页 |
| 4.2.6 模型预测 | 第46页 |
| 4.3 基于全连接CRFs的影像后处理方法 | 第46-50页 |
| 4.3.1 条件随机场 | 第46-47页 |
| 4.3.2 全连接CRFs | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 实验结果与分析 | 第51-64页 |
| 5.1 实验环境 | 第51页 |
| 5.2 精度评价指标 | 第51-52页 |
| 5.3 总体实验结果 | 第52-53页 |
| 5.4 影响因素分析 | 第53-60页 |
| 5.4.1 多源数据的影响 | 第53-58页 |
| 5.4.2 基于全连接CRFs的影像后处理的影响 | 第58-60页 |
| 5.4.3 总结 | 第60页 |
| 5.5 与其他方法对比分析 | 第60-63页 |
| 5.6 本章小结 | 第63-64页 |
| 结论与展望 | 第64-66页 |
| 结论 | 第64页 |
| 展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-75页 |
| 攻读硕士学位期间发表论文 | 第75-76页 |
| 研究生期间参加的学术活动 | 第76页 |
