| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1. Introduction | 第11-17页 |
| 1.1. Overview on Remote Sensing | 第12-15页 |
| 1.2. Problem Definition | 第15页 |
| 1.3. Contribution | 第15-16页 |
| 1.4. Thesis Overview | 第16-17页 |
| 2. Literature Review | 第17-33页 |
| 2.1. Chapter Overview | 第17页 |
| 2.2. Hyperspectral Imagery | 第17-20页 |
| 2.3. Dimensionality Reduction and Feature Extraction Techniques | 第20-25页 |
| 2.3.1. Neighborhood Preserving Embedding | 第21-22页 |
| 2.3.2. Regularized Linear Discriminant Analysis | 第22-24页 |
| 2.3.3. Principal Component Analysis | 第24-25页 |
| 2.4. Machine Learning Classification Frameworks | 第25-33页 |
| 2.4.1. Support Vector Machine | 第27-29页 |
| 2.4.2. Deep Neural Network | 第29-30页 |
| 2.4.3. Recurrent Neural Network | 第30-31页 |
| 2.4.4. Deep Belief Networks | 第31-32页 |
| 2.4.5. Auto-Encoders | 第32-33页 |
| 3. Hyperspectral Image Classification using CNN | 第33-41页 |
| 3.1. Convolutional Neural Network | 第33-41页 |
| 3.1.1. Max-pooling | 第34-35页 |
| 3.1.2. Fully Connected Layers | 第35页 |
| 3.1.3. Dropout | 第35-36页 |
| 3.1.4. Batch normalization (BN) | 第36-37页 |
| 3.1.5. Stochastic gradient descent | 第37-38页 |
| 3.1.6. Activations Functions | 第38-41页 |
| 4. Experimental Results and Discussion | 第41-60页 |
| 4.1. Dataset | 第41-43页 |
| 4.1.1. Indian Pines | 第41-42页 |
| 4.1.2. Salinas | 第42页 |
| 4.1.3. University of Pavia | 第42-43页 |
| 4.2. Proposed Method | 第43-46页 |
| 4.2.1. Dimensionality Reduction | 第43-44页 |
| 4.2.2. Classification Framework | 第44-46页 |
| 4.3. Experiment Environment | 第46-47页 |
| 4.3.1. Python Libraries | 第47页 |
| 4.3.2. Testing Platform | 第47页 |
| 4.4. Experimental Results | 第47-57页 |
| 4.4.1. Classification of Indian Pines Dataset | 第47-51页 |
| 4.4.2. Classification of Salinas Dataset | 第51-54页 |
| 4.4.3. Classification of University of Pavia Dataset | 第54-57页 |
| 4.5. Impact of Epochs | 第57-58页 |
| 4.6. Summary | 第58-60页 |
| 5. Conclusion & Future Work | 第60-61页 |
| Acknowledgements | 第61-62页 |
| References | 第62-71页 |
| Publications | 第71页 |
