| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 遥感图像的变化检测问题 | 第15-16页 |
| 1.2.2 遥感图像的变化检测方法研究 | 第16-17页 |
| 1.3 论文主要内容及章节安排 | 第17-20页 |
| 第二章 深度神经网络模型以及其在变化检测上的应用 | 第20-34页 |
| 2.1 引言 | 第20-21页 |
| 2.2 深度神经网络模型理论基础 | 第21-27页 |
| 2.2.1 自动编码器——Autoencoder | 第22-24页 |
| 2.2.2 限制玻尔兹曼机——Restricted Boltzmann Machines | 第24-27页 |
| 2.3 深度神经网络模型理论在变化检测上的应用 | 第27-32页 |
| 2.3.1 基于深度神经网络分类的变化检测方法 | 第27-29页 |
| 2.3.2 基于深度神经网络学习的变化检测方法 | 第29-32页 |
| 2.4 评价指标 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于多目标稀疏特征学习的变化检测方法 | 第34-48页 |
| 3.1 引言 | 第34页 |
| 3.2 多目标稀疏特征学习模型 | 第34-39页 |
| 3.2.1 多目标稀疏特征学习模型理论基础 | 第34-38页 |
| 3.2.2 多目标稀疏特征模型的学习过程 | 第38-39页 |
| 3.3 多目标稀疏特征模型在变化检测上的应用 | 第39-42页 |
| 3.3.1 预分类 | 第39-40页 |
| 3.3.2 建立多目标稀疏特征模型 | 第40-42页 |
| 3.4 遥感图像的变化检测实验结果及分析 | 第42-47页 |
| 3.4.1 实验数据 | 第43-44页 |
| 3.4.2 实验及结果分析 | 第44-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第四章 基于聚类正则的多目标稀疏特征学习的变化检测方法 | 第48-58页 |
| 4.1 引言 | 第48页 |
| 4.2 深度网络的聚类正则 | 第48-51页 |
| 4.2.1 特征聚类 | 第49-50页 |
| 4.2.2 学习迭代步骤 | 第50-51页 |
| 4.3 基于聚类正则的多目标稀疏特征学习模型 | 第51-53页 |
| 4.4 遥感图像的变化检测实验结果及分析 | 第53-57页 |
| 4.4.1 实验数据 | 第53-54页 |
| 4.4.2 实验结果及分析 | 第54-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结和展望 | 第58-60页 |
| 5.1 研究总结 | 第58页 |
| 5.2 研究展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |