基于高分辨率卫星影像的道路宽度估计方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 课题研究背景与意义 | 第14-15页 |
| 1.2 研究目标与内容 | 第15-17页 |
| 1.2.1 研究目标 | 第15-16页 |
| 1.2.2 主要研究内容 | 第16页 |
| 1.2.3 本文的主要贡献 | 第16-17页 |
| 1.3 论文结构 | 第17-20页 |
| 第二章 研究现状及相关研究概述 | 第20-30页 |
| 2.1 引言 | 第20页 |
| 2.2 道路信息提取的国内外研究现状 | 第20-23页 |
| 2.3 卷积神经网络 | 第23-29页 |
| 2.3.1 深度学习在图像识别领域研究现状 | 第23-25页 |
| 2.3.2 人工神经网络 | 第25-26页 |
| 2.3.3 卷积神经网络的特点 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于局部导向结构检测的道路网提取 | 第30-44页 |
| 3.1 引言 | 第30页 |
| 3.2 局部导向结构检测 | 第30-36页 |
| 3.3 基于ADSM的道路网提取 | 第36-42页 |
| 3.3.1 基于ADSM的道路基元检测 | 第36-38页 |
| 3.3.2 道路网提取 | 第38-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 基于卷积神经网络的道路宽度估计 | 第44-62页 |
| 4.1 引言 | 第44-45页 |
| 4.2 形状上下文 | 第45-51页 |
| 4.2.1 形状上下文原理 | 第46-50页 |
| 4.2.2 形状相似性度量 | 第50-51页 |
| 4.3 道路宽度描述符 | 第51-54页 |
| 4.3.1 道路宽度描述符的原理 | 第51-54页 |
| 4.3.2 宽度描述符相似性度量 | 第54页 |
| 4.4 基于卷积神经网络的道路宽度估计 | 第54-59页 |
| 4.4.1 Cifar-10卷积神经网络 | 第54-56页 |
| 4.4.2 宽度类别预测模型训练 | 第56-58页 |
| 4.4.3 道路宽度估计 | 第58-59页 |
| 4.5 基于空间一致性的宽度估计优化 | 第59-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 结果与讨论 | 第62-70页 |
| 5.1 引言 | 第62页 |
| 5.2 基于局部导向结构检测的道路网提取实验 | 第62-65页 |
| 5.3 基于卷积神经网络的道路宽度估计实验 | 第65-68页 |
| 5.4 本章小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 论文工作总结 | 第70-71页 |
| 6.2 未来的工作 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 附录攻读硕士学位期间发表论文及科研情况 | 第78-80页 |
| 致谢 | 第80页 |
