| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.2.1 遥感图像语义分割国内外研究现状 | 第17-18页 |
| 1.2.2 SAR图像变化检测国内外研究现状 | 第18-19页 |
| 1.3 主要研究内容与创新 | 第19-20页 |
| 1.4 本文结构安排 | 第20-22页 |
| 第二章 遥感图像处理与深度神经网络 | 第22-36页 |
| 2.1 图像语义分割 | 第22-26页 |
| 2.1.1 概述 | 第22-23页 |
| 2.1.2 图像分割常用方法 | 第23-25页 |
| 2.1.3 图像语义分割的评价标准 | 第25-26页 |
| 2.2 SAR图像变化检测 | 第26-29页 |
| 2.2.1 概述 | 第26页 |
| 2.2.2 SAR图像变化检测的流程 | 第26-28页 |
| 2.2.3 变化检测结果评价标准 | 第28-29页 |
| 2.3 深度神经网络 | 第29-35页 |
| 2.3.1 概述 | 第29页 |
| 2.3.2 神经网络结构 | 第29-31页 |
| 2.3.3 卷积神经网络(CNN) | 第31-33页 |
| 2.3.4 全卷积神经网络 | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于全卷积神经网络的遥感图像语义分割 | 第36-60页 |
| 3.1 引言 | 第36页 |
| 3.2 全卷积神经网络的遥感图像语义分割算法介绍 | 第36-43页 |
| 3.2.1 全卷积网络结构 | 第36-39页 |
| 3.2.2 基于特征融合的全卷积网络结构 | 第39-41页 |
| 3.2.3 基于R-SegUnet网络的多分类转二分类 | 第41-42页 |
| 3.2.4 基于多分类器的集成学习 | 第42-43页 |
| 3.3 过拟合与迁移学习 | 第43-46页 |
| 3.3.1 防止过拟合 | 第43-45页 |
| 3.3.2 迁移学习 | 第45-46页 |
| 3.4 实验与分析 | 第46-57页 |
| 3.4.1 实验数据及实验环境 | 第46-48页 |
| 3.4.2 网络模型的参数设置 | 第48-49页 |
| 3.4.3 基于R-SegNet网络的实验结果及分析 | 第49-51页 |
| 3.4.4 基于特征融合的R-SegNet网络实验结果及分析 | 第51-53页 |
| 3.4.5 基于R-SegUnet网络的多分类转二分类实验结果及分析 | 第53-54页 |
| 3.4.6 基于多分类器的集成学习实验结果及分析 | 第54-57页 |
| 3.5 本章小结 | 第57-60页 |
| 第四章 基于全卷积神经网络的SAR图像变化检测 | 第60-76页 |
| 4.1 引言 | 第60页 |
| 4.2 算法介绍 | 第60-64页 |
| 4.2.1 FCM | 第60-61页 |
| 4.2.2 FLICM | 第61-62页 |
| 4.2.3 稀疏自编码器(SAE) | 第62-64页 |
| 4.3 基于SAE和全卷积网络的SAR变化检测 | 第64-69页 |
| 4.3.1 基于FCM和FLICM的特征聚类 | 第65-66页 |
| 4.3.2 基于SAE的特征学习 | 第66-67页 |
| 4.3.3 基于SegUnet网络的SAR图像变化检测 | 第67-69页 |
| 4.4 实验结果及分析 | 第69-74页 |
| 4.5 本章小结 | 第74-76页 |
| 第五章 总结和展望 | 第76-78页 |
| 5.1 总结 | 第76-77页 |
| 5.2 展望 | 第77-78页 |
| 参考文献 | 第78-84页 |
| 致谢 | 第84-86页 |
| 作者简介 | 第86-87页 |
