| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 课题背景及研究的目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要研究内容及论文组织结构 | 第12-14页 |
| 第2章 基于LiDAR数据的经典特征提取与分类方法 | 第14-24页 |
| 2.1 LiDAR数据的特征提取方法 | 第14-17页 |
| 2.1.1 灰度共生矩阵法 | 第14-15页 |
| 2.1.2 决策边界特征提取方法 | 第15-16页 |
| 2.1.3 形态学操作 | 第16-17页 |
| 2.2 LiDAR数据地物分类方法 | 第17-22页 |
| 2.2.1 多元逻辑回归 | 第18-19页 |
| 2.2.2 K近邻分类算法 | 第19-20页 |
| 2.2.3 支持向量机 | 第20-22页 |
| 2.3 分类精度评价指标分析 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于卷积神经网络的特征提取及分类方法 | 第24-41页 |
| 3.1 卷积神经网络理论基础 | 第24-26页 |
| 3.1.1 卷积神经网络基本结构 | 第24-25页 |
| 3.1.2 卷积神经网络特性 | 第25-26页 |
| 3.2 反向传播算法 | 第26-27页 |
| 3.3 卷积神经网络模型设计 | 第27-31页 |
| 3.3.1 CNN结构设计及参数设置 | 第28-29页 |
| 3.3.2 SiLU激活函数 | 第29-30页 |
| 3.3.3 与形态学操作结合的卷积神经网络 | 第30-31页 |
| 3.4 实验结果及分析 | 第31-39页 |
| 3.4.1 实验数据简介 | 第31-32页 |
| 3.4.2 CNN特征提取分类性能实验 | 第32-34页 |
| 3.4.3 SiLU激活函数对网络性能影响 | 第34-35页 |
| 3.4.4 与形态学操作结合的卷积神经网络实验结果 | 第35-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 基于空间变换网络的特征提取及分类方法 | 第41-55页 |
| 4.1 空间变换网络模型理论基础 | 第41-45页 |
| 4.1.1 空间变换网络模块 | 第41-44页 |
| 4.1.2 自适应学习率方法 | 第44-45页 |
| 4.2 与多属性断面结合的空间变换网络模型 | 第45-47页 |
| 4.2.1 多属性断面 | 第45-46页 |
| 4.2.2 网络的整体结构 | 第46-47页 |
| 4.3 实验结果及分析 | 第47-54页 |
| 4.3.1 基于空间变换网络模型性能分析 | 第47-49页 |
| 4.3.2 与多属性断面结合的空间变换网络模型性能分析 | 第49-54页 |
| 4.4 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 攻读学位期间发表的学术成果 | 第61-62页 |
| 致谢 | 第62页 |
