首页--工业技术论文--自动化技术、计算机技术论文--遥感技术论文--遥感图像的解译、识别与处理论文--图像处理方法论文

多目标演化深度神经网络模型与应用

摘要第5-7页
ABSTRACT第7-9页
符号对照表第14-16页
缩略语对照表第16-21页
第一章 绪论第21-33页
    1.1 研究背景与意义第21-23页
    1.2 DNN与演化多目标优化研究现状与难点第23-25页
    1.3 遥感影像变化检测研究现状与难点第25-29页
    1.4 研究内容与章节安排第29-33页
第二章 多目标稀疏特征学习模型第33-53页
    2.1 引言第33-34页
    2.2 多目标优化问题与方法第34-36页
    2.3 多目标稀疏特征学习模型与优化方法第36-43页
        2.3.1 多目标稀疏特征学习模型第36-38页
        2.3.2 多目标引导的优化方法第38-39页
        2.3.3 求解局部多目标模型第39-42页
        2.3.4 MO-SFL模型及优化方法分析第42-43页
    2.4 实验与结果分析第43-52页
        2.4.1 测试Sa-MODE/D第43-44页
        2.4.2 训练方法测试第44-48页
        2.4.3 MO-SFL模型测试第48-50页
        2.4.4 算法效率测试第50-52页
    2.5 本章小结第52-53页
第三章 基于多目标优化的深度神经网络结构学习第53-69页
    3.1 引言第53-54页
    3.2 专家乘积系统(PoE)第54页
    3.3 结构学习模型与优化方法第54-60页
        3.3.1 多目标结构建模第54-57页
        3.3.2 多目标结构优化第57-59页
        3.3.3 可行性分析第59-60页
    3.4 实验与结果分析第60-66页
        3.4.1 单层网络实验第60-63页
        3.4.2 多层网络实验第63-66页
        3.4.3 CNN实验第66页
    3.5 本章小结第66-69页
第四章 基于多目标演化网络的遥感影像变化检测第69-83页
    4.1 引言第69-70页
    4.2 基于深度神经网络的SAR图像变化检测框架第70-73页
    4.3 基于稀疏特征和稀疏结构学习的SAR图像变化检测第73-75页
        4.3.1 稀疏特征第73-74页
        4.3.2 稀疏结构第74-75页
    4.4 真实SAR图像实验第75-82页
        4.4.1 数据集第75-78页
        4.4.2 实验结果第78-82页
    4.5 本章小结第82-83页
第五章 基于深度卷积耦合网络的多源异质遥感影像变化检测第83-103页
    5.1 引言第83-84页
    5.2 多源异质图像变化检测第84-85页
    5.3 深度卷积耦合网络第85-89页
        5.3.1 网络结构第85页
        5.3.2 目标函数第85-87页
        5.3.3 优化方法第87-88页
        5.3.4 预训练第88页
        5.3.5 可行性分析第88-89页
    5.4 实验结果与分析第89-101页
        5.4.1 数据集第90-91页
        5.4.2 实验设置第91-92页
        5.4.3 农田数据集实验结果第92-96页
        5.4.4 墨西哥数据集实验结果第96-97页
        5.4.5 黄河数据集实验结果第97-99页
        5.4.6 东营数据集实验结果第99-101页
        5.4.7 参数鲁棒性测试第101页
    5.5 本章小结第101-103页
第六章 基于双边差异网络的未配准图像变化检测第103-119页
    6.1 引言第103-104页
    6.2 加入配准的变化检测方法模型第104-105页
    6.3 双边差异网络(Bipartite Differential Neural Network,BDNN)第105-110页
        6.3.1 网络结构第105-106页
        6.3.2 目标函数第106-108页
        6.3.3 优化方法第108-109页
        6.3.4 多尺度逐级学习第109-110页
    6.4 实验结果与分析第110-118页
        6.4.1 数据集第110-112页
        6.4.2 实验设置第112-113页
        6.4.3 实验结果第113-118页
        6.4.4 参数鲁棒性测试第118页
    6.5 本章小结第118-119页
第七章 总结与展望第119-123页
    7.1 研究内容总结第119-120页
    7.2 未来研究展望第120-123页
参考文献第123-133页
致谢第133-135页
作者简介第135-139页

论文共139页,点击 下载论文
上一篇:几类概率图模型结构学习算法研究
下一篇:面向互联网的图像敏感内容分析系统的关键技术研究