| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文的技术路线以及研究难点 | 第12-13页 |
| 1.4 本文的主要研究内容和结构安排 | 第13-15页 |
| 第2章 卷积神经网络原理 | 第15-29页 |
| 2.1 卷积神经网络综述 | 第15-16页 |
| 2.2 卷积神经网络基本结构 | 第16-19页 |
| 2.3 卷积神经网络训练 | 第19-26页 |
| 2.3.1 BP算法 | 第19-21页 |
| 2.3.2 卷积神经网络损失函数 | 第21-22页 |
| 2.3.3 各层的反向传播过程 | 第22-24页 |
| 2.3.4 最优化求解方法 | 第24-26页 |
| 2.4 卷积神经网络防止过拟合方法 | 第26-28页 |
| 2.4.1 数据增强 | 第26-27页 |
| 2.4.2 Dropout层 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于CNN的遥感图像场景分类算法研究 | 第29-44页 |
| 3.1 引言 | 第29页 |
| 3.2 面向遥感图像场景分类的卷积神经网络性能分析 | 第29-38页 |
| 3.2.1 算法流程 | 第29页 |
| 3.2.2 Caffe平台的介绍 | 第29-30页 |
| 3.2.3 数据集准备及预处理 | 第30-32页 |
| 3.2.4 卷积神经网络结构和训练参数选择 | 第32-35页 |
| 3.2.5 实验结果分析 | 第35-36页 |
| 3.2.6 网络可视化分析 | 第36-38页 |
| 3.3 基于遥感船只目标的场景分类算法 | 第38-43页 |
| 3.3.1 算法的背景和意义 | 第39-40页 |
| 3.3.2 基于卷积神经网络的船只目标提取 | 第40页 |
| 3.3.3 卷积神经网络结构 | 第40-41页 |
| 3.3.4 训练和测试过程 | 第41-42页 |
| 3.3.5 检测结果和分析 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 卷积神经网络训练算法改进 | 第44-53页 |
| 4.1 引言 | 第44页 |
| 4.2 激活函数的改进方法 | 第44-47页 |
| 4.2.1 PReLU函数 | 第44-46页 |
| 4.2.2 实验及结果分析 | 第46-47页 |
| 4.3 精调方法 | 第47-52页 |
| 4.3.1 精调方法概述 | 第47-48页 |
| 4.3.2 Alexnet网络结构模型 | 第48页 |
| 4.3.3 GoogLeNet网络结构模型 | 第48-50页 |
| 4.3.4 精调实验及结果分析 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 总结与展望 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第60页 |