基于深度学习的遥感图像目标分类的研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第12-17页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 研究意义 | 第13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.4 本文的主要研究内容 | 第15-16页 |
| 1.5 本文的结构安排 | 第16-17页 |
| 2 深度学习相关理论 | 第17-33页 |
| 2.1 多层感知机 | 第17-22页 |
| 2.1.1 感知机 | 第17页 |
| 2.1.2 激活函数 | 第17-20页 |
| 2.1.3 前馈神经网络 | 第20-21页 |
| 2.1.4 反向传播算法 | 第21-22页 |
| 2.2 卷积神经网络 | 第22-27页 |
| 2.2.1 卷积层和池化层 | 第23-24页 |
| 2.2.2 卷积神经网络模型 | 第24-27页 |
| 2.2.3 卷积神经网络的主要特点 | 第27页 |
| 2.3 语义分割技术 | 第27-31页 |
| 2.3.1 全卷积神经网络FCN | 第28-29页 |
| 2.3.2 Seg Net | 第29-30页 |
| 2.3.3 U-Net | 第30-31页 |
| 2.4 Tensor Flow简介 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 卷积神经网络用于遥感图像场景分类 | 第33-44页 |
| 3.1 实验数据介绍 | 第33-34页 |
| 3.2 神经网络改进方法 | 第34-38页 |
| 3.2.1 改进的原则 | 第34页 |
| 3.2.2 改进的激活函数TRu LU | 第34-36页 |
| 3.2.3 对模型结构的改进方法 | 第36-38页 |
| 3.3 实验结果和分析 | 第38-42页 |
| 3.3.1 结果评价标准 | 第38页 |
| 3.3.2 对激活函数改进的分析 | 第38-40页 |
| 3.3.3 对模型结构改进的分析 | 第40-42页 |
| 3.4 本章小结 | 第42-44页 |
| 4 基于多特征融合反卷积的遥感图像去模糊 | 第44-54页 |
| 4.1 实验数据介绍 | 第44-45页 |
| 4.2 多特征融合反卷积的神经网络 | 第45-49页 |
| 4.2.1 反卷积常用方法介绍 | 第45-47页 |
| 4.2.2 改进的反卷积网络 | 第47-48页 |
| 4.2.3 多特征融合反卷积去模糊网络 | 第48-49页 |
| 4.3 实验结果和分析 | 第49-53页 |
| 4.3.1 结果评价标准 | 第49页 |
| 4.3.2 不同模糊核大小对实验结果的影响 | 第49-51页 |
| 4.3.3 不同种类噪声对实验结果的影响 | 第51页 |
| 4.3.4 对比实验分析 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 5 语义分割技术用于遥感图像目标分类的研究 | 第54-65页 |
| 5.1 实验数据介绍 | 第54-56页 |
| 5.2 改进的语义分割技术 | 第56-59页 |
| 5.2.1 批标准化 | 第56-57页 |
| 5.2.2 池化索引 | 第57-58页 |
| 5.2.3 改进的语义分割方法 | 第58-59页 |
| 5.3 实验结果和分析 | 第59-64页 |
| 5.3.1 评价标准 | 第59页 |
| 5.3.2 实验流程 | 第59-60页 |
| 5.3.3 对比实验分析 | 第60-64页 |
| 5.4 本章小结 | 第64-65页 |
| 6 总结与展望 | 第65-67页 |
| 6.1 全文总结 | 第65-66页 |
| 6.2 未来工作展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间所取得的研究成果 | 第72-73页 |
| 致谢 | 第73-75页 |
