| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 图像分割算法研究现状 | 第9-10页 |
| 1.2.2 建筑物识别研究现状 | 第10-11页 |
| 1.2.3 建筑物变化检测研究现状 | 第11页 |
| 1.3 存在问题及研究内容 | 第11-13页 |
| 1.4 本文的组织结构和主要创新点 | 第13-14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 深度学习理论基础与开发环境和工具的介绍 | 第15-19页 |
| 2.1 深度学习理论基础 | 第15页 |
| 2.2 深度学习框架 | 第15-17页 |
| 2.2.1 Caffe框架 | 第16页 |
| 2.2.2 Pytorch框架 | 第16-17页 |
| 2.2.3 TensorFlow框架 | 第17页 |
| 2.3 开发环境和工具介绍 | 第17-18页 |
| 2.3.1 开发环境介绍 | 第17-18页 |
| 2.3.2 开发工具介绍 | 第18页 |
| 2.4 本章小结 | 第18-19页 |
| 第三章 基于Res-Unet的遥感图像建筑物检测 | 第19-29页 |
| 3.1 引言 | 第19-20页 |
| 3.2 ResNet介绍 | 第20-23页 |
| 3.2.1 残差模块 | 第21-22页 |
| 3.2.2 BN算法 | 第22-23页 |
| 3.3 U-Net介绍 | 第23-25页 |
| 3.4 基于Res-Unet的建筑物检测方法 | 第25-28页 |
| 3.5 本章小结 | 第28-29页 |
| 第四章 基于FlowS-Unet的遥感图像建筑物变化检测 | 第29-35页 |
| 4.1 引言 | 第29-30页 |
| 4.2 FlowNet介绍 | 第30-31页 |
| 4.3 基于FlowS-Unet的建筑物变化检测方法 | 第31-34页 |
| 4.4 本章小结 | 第34-35页 |
| 第五章 实验结果与分析 | 第35-47页 |
| 5.1 基于Res-Unet的建筑物检测方法的结果与分析 | 第35-41页 |
| 5.1.1 数据预处理 | 第35-37页 |
| 5.1.2 预测结果的后处理 | 第37-38页 |
| 5.1.3 实验结果与分析 | 第38-41页 |
| 5.2 基于FlowS-Unet的建筑物变化检测方法的结果与分析 | 第41-46页 |
| 5.2.1 数据预处理与预测结果的后处理 | 第41-42页 |
| 5.2.2 实验结果与分析 | 第42-46页 |
| 5.3 本章总结 | 第46-47页 |
| 第六章 总结和展望 | 第47-50页 |
| 6.1 全文总结 | 第47-48页 |
| 6.2 未来工作 | 第48-50页 |
| 参考文献 | 第50-56页 |
| 附录1 攻读硕士期间参加的科研项目 | 第56-57页 |
| 致谢 | 第57-58页 |
