| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 引言 | 第9-17页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究目的与意义 | 第10页 |
| 1.3 人工神经网络遥感影像分类研究现状 | 第10-13页 |
| 1.3.1 国外研究现状 | 第11页 |
| 1.3.2 国内研究现状 | 第11-12页 |
| 1.3.3 深度学习在遥感影像分类中的应用 | 第12-13页 |
| 1.4 研究内容及技术路线 | 第13-15页 |
| 1.4.1 研究内容 | 第13-14页 |
| 1.4.2 技术路线 | 第14-15页 |
| 1.5 论文结构 | 第15-17页 |
| 2 遥感影像神经网络分类理论基础 | 第17-24页 |
| 2.1 人工神经网络概述 | 第17-20页 |
| 2.1.1 人工神经网络的生物学启示 | 第17-19页 |
| 2.1.2 人工神经网络特点及不足 | 第19-20页 |
| 2.2 深度学习理论 | 第20-23页 |
| 2.2.1 深度学习的概念 | 第20页 |
| 2.2.2 深度学习训练过程 | 第20-21页 |
| 2.2.3 深度学习的优势 | 第21-22页 |
| 2.2.4 深度学习常用算法 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 训练样本数据的获取 | 第24-32页 |
| 3.1 解译标志的采集 | 第24-30页 |
| 3.1.1 解译标志的质量控制 | 第24-28页 |
| 3.1.2 解译标志的数量保证 | 第28-30页 |
| 3.2 训练样本数据的生成 | 第30-31页 |
| 3.3 本章小结 | 第31-32页 |
| 4 实验平台的搭建与验证 | 第32-43页 |
| 4.1 卷积神经网络思想架构及模型结构 | 第32-34页 |
| 4.1.1 局部区域感知 | 第32-33页 |
| 4.1.2 权重共享 | 第33页 |
| 4.1.3 卷积神经网络模型结构 | 第33-34页 |
| 4.2 卷积神经网络实现框架简介 | 第34-35页 |
| 4.3 验证样本数据集简介 | 第35-37页 |
| 4.4 训练算法选择 | 第37-38页 |
| 4.5 参数设置及学习结果分析 | 第38-42页 |
| 4.5.1 参数设置 | 第38-40页 |
| 4.5.2 结果分析 | 第40-42页 |
| 4.6 本章小结 | 第42-43页 |
| 5 高分辨率遥感影像地物分类实验 | 第43-52页 |
| 5.1 实验数据简介 | 第43-44页 |
| 5.2 影像类型、训练算法以及地物类型与准确率关系实验 | 第44-48页 |
| 5.2.1 实验过程 | 第44-46页 |
| 5.2.2 影像类型、训练算法与准确率关系 | 第46-47页 |
| 5.2.3 地物类型与准确率关系 | 第47-48页 |
| 5.3 样本数量与准确率关系实验 | 第48-50页 |
| 5.3.1 实验过程 | 第48-49页 |
| 5.3.2 样本数量与准确率关系 | 第49-50页 |
| 5.4 结果对比分析 | 第50-51页 |
| 5.5 本章小结 | 第51-52页 |
| 6 结论与展望 | 第52-54页 |
| 6.1 结论 | 第52-53页 |
| 6.2 不足与展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |