卷积网络模型及其在遥感图像目标识别中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 深度学习的可行性 | 第8-9页 |
| 1.2 卷积网络的发展现状 | 第9页 |
| 1.3 遥感目标识别的发展现状 | 第9-10页 |
| 1.4 本文贡献 | 第10-11页 |
| 1.5 论文组织 | 第11-12页 |
| 第2章 卷积网络理论 | 第12-44页 |
| 2.1 前馈神经网络 | 第12-19页 |
| 2.1.1 神经元 | 第13-14页 |
| 2.1.2 激活函数 | 第14-16页 |
| 2.1.3 网络模型 | 第16-18页 |
| 2.1.4 代价函数 | 第18-19页 |
| 2.2 卷积网络 | 第19-37页 |
| 2.2.1 使用卷积的优势 | 第20-23页 |
| 2.2.2 卷积网络中的激活函数 | 第23-27页 |
| 2.2.3 池化 | 第27-30页 |
| 2.2.4 全连接层 | 第30-32页 |
| 2.2.5 卷积网络模型 | 第32-37页 |
| 2.3 模型训练 | 第37-44页 |
| 2.3.1 反向传播 | 第37-39页 |
| 2.3.2 卷积运算的反向传播 | 第39-43页 |
| 2.3.3 池化运算的反向传播 | 第43-44页 |
| 第3章 卷积网络模型的构建与优化 | 第44-68页 |
| 3.1 输入层标准化 | 第44页 |
| 3.2 参数初始化 | 第44-45页 |
| 3.3 卷积层设计 | 第45-51页 |
| 3.3.1 1*1卷积核 | 第46-47页 |
| 3.3.2 Inception | 第47-50页 |
| 3.3.3 Xception | 第50-51页 |
| 3.3.4 其它卷积架构 | 第51页 |
| 3.4 批规范化 | 第51-54页 |
| 3.5 残差块 | 第54-56页 |
| 3.6 模型训练 | 第56-64页 |
| 3.6.1 小批量 | 第56-58页 |
| 3.6.2 Momentum | 第58-60页 |
| 3.6.3 RMSprop | 第60-62页 |
| 3.6.4 Adam | 第62-64页 |
| 3.7 学习率衰减 | 第64-65页 |
| 3.8 正则化 | 第65-68页 |
| 第4章 优化卷积网络模型的应用 | 第68-76页 |
| 结论 | 第76-77页 |
| 研究成果 | 第76页 |
| 研究展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-81页 |
| 攻读学位期间取得学术成果 | 第81页 |
