| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景和意义 | 第15-17页 |
| 1.1.1 合成孔径雷达 | 第15-16页 |
| 1.1.2 相干斑噪声 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.3 论文的主要工作和结构 | 第19-21页 |
| 第二章 深度学习理论基础 | 第21-35页 |
| 2.1 深度学习发展简介 | 第21-22页 |
| 2.2 深度学习模型 | 第22-32页 |
| 2.2.1 深度置信网络DBN | 第22-24页 |
| 2.2.2 自动编码器AE | 第24-27页 |
| 2.2.3 卷积神经网络CNN | 第27-32页 |
| 2.3 卷积神经网络的发展及应用 | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于小型全卷积网络的高分辨SAR图像地物分类 | 第35-67页 |
| 3.1 引言 | 第35-36页 |
| 3.2 全卷积网络 | 第36-40页 |
| 3.2.1 上采样结构 | 第36页 |
| 3.2.2 跳跃级联结构 | 第36-37页 |
| 3.2.3 Dropout | 第37-39页 |
| 3.2.4 Softmax分类器 | 第39-40页 |
| 3.3 本章算法 | 第40-43页 |
| 3.4 实验与分析 | 第43-65页 |
| 3.4.1 Rosenheim地区SAR图像实验结果与分析 | 第43-50页 |
| 3.4.2 Traunstein地区SAR图像实验结果与分析 | 第50-58页 |
| 3.4.3 Napoli地区SAR图像实验结果与分析 | 第58-65页 |
| 3.5 本章小结 | 第65-67页 |
| 第四章 基于多尺度全卷积网络的高分辨SAR图像地物分类 | 第67-81页 |
| 4.1 引言 | 第67-68页 |
| 4.2 多尺度卷积层 | 第68-69页 |
| 4.3 本章算法流程 | 第69页 |
| 4.4 实验与分析 | 第69-77页 |
| 4.4.1 Rosenheim地区SAR图像实验结果与分析 | 第70-72页 |
| 4.4.2 Traunstein地区SAR图像实验结果与分析 | 第72-74页 |
| 4.4.3 Napoli地区SAR图像实验结果与分析 | 第74-77页 |
| 4.5 多尺度卷积层分析 | 第77-79页 |
| 4.6 本章小结 | 第79-81页 |
| 第五章 基于特征结合的多尺度全卷积网络的高分辨SAR图像地物分类 | 第81-95页 |
| 5.1 引言 | 第81页 |
| 5.2 SAR图像特征提取方法 | 第81-83页 |
| 5.2.1 灰度共生矩阵纹理分析法 | 第81-82页 |
| 5.2.2 Gabor特征提取方法 | 第82-83页 |
| 5.3 特征结合 | 第83-85页 |
| 5.3.1 传统图像融合理论 | 第83-84页 |
| 5.3.2 本章基于数据层的特征结合方法 | 第84-85页 |
| 5.4 本章算法流程 | 第85-86页 |
| 5.5 实验与分析 | 第86-93页 |
| 5.5.1 Rosenheim地区SAR图像实验结果与分析 | 第86-89页 |
| 5.5.2 Traunstein地区SAR图像实验结果与分析 | 第89-91页 |
| 5.5.3 Napoli地区SAR图像实验结果与分析 | 第91-93页 |
| 5.6 本章小结 | 第93-95页 |
| 第六章 总结与展望 | 第95-97页 |
| 参考文献 | 第97-103页 |
| 致谢 | 第103-105页 |
| 作者简介 | 第105-106页 |
