| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 第1章 绪论 | 第14-22页 |
| 1.1 研究背景和意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 论文研究内容与章节安排 | 第18-22页 |
| 1.3.1 研究内容与创新 | 第19-20页 |
| 1.3.2 章节安排 | 第20-22页 |
| 第2章 高分辨率遥感图像场景分类基本方法 | 第22-33页 |
| 2.1 基于特征编码的场景分类方法 | 第22-25页 |
| 2.2 非监督特征学习 | 第25-27页 |
| 2.2.1 非监督学习算法示例 | 第26页 |
| 2.2.2 特征映射方法示例 | 第26-27页 |
| 2.3 深度卷积神经网络 | 第27-32页 |
| 2.3.1 卷积神经网络基本结构 | 第28-29页 |
| 2.3.2 常用的深度卷积神经网络模型 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于非监督特征学习的遥感场景分类 | 第33-60页 |
| 3.1 面向图像特征提取的非监督特征学习框架 | 第33-34页 |
| 3.2 基于稀疏自编码的高分辨率遥感图像场景标注 | 第34-40页 |
| 3.2.1 稀疏自编码模型 | 第35-36页 |
| 3.2.2 基于稀疏自编码的图像局部特征提取 | 第36-37页 |
| 3.2.3 实验结果与分析 | 第37-40页 |
| 3.3 基于谱聚类非监督特征学习的场景分类 | 第40-58页 |
| 3.3.1 非监督特征学习基准框架 | 第41-42页 |
| 3.3.2 基于谱聚类非监督特征学习(UFL-SC)框架 | 第42-48页 |
| 3.3.3 基于UFL-SC的场景分类 | 第48-50页 |
| 3.3.4 实验结果与分析 | 第50-58页 |
| 3.4 本章小结 | 第58-60页 |
| 第4章 基于非监督二值编码的遥感场景分类 | 第60-82页 |
| 4.1 概述 | 第60-62页 |
| 4.2 基于快速二值编码的场景分类 | 第62-70页 |
| 4.2.1 快速二值编码(FBC) | 第62-65页 |
| 4.2.2 复杂度分析 | 第65-66页 |
| 4.2.3 基于FBC场景分类流程 | 第66页 |
| 4.2.4 滤波器学习 | 第66-70页 |
| 4.3 快速二值编码的扩展 | 第70-74页 |
| 4.3.1 空间共生核 | 第71-72页 |
| 4.3.2 基于显著图的特征编码 | 第72-74页 |
| 4.4 实验结果与分析 | 第74-81页 |
| 4.4.1 实验设置 | 第74页 |
| 4.4.2 实验结果 | 第74-80页 |
| 4.4.3 实验讨论 | 第80-81页 |
| 4.5 本章小结 | 第81-82页 |
| 第5章 基于卷积神经网络的遥感场景分类 | 第82-127页 |
| 5.1 概述 | 第82-84页 |
| 5.2 利用卷积神经网络进行遥感场景分类基本策略 | 第84-86页 |
| 5.2.1 训练新的CNN模型 | 第84-85页 |
| 5.2.2 微调CNN模型参数 | 第85页 |
| 5.2.3 从CNN模型中直接提取特征 | 第85-86页 |
| 5.3 基于卷积神经网络迁移的场景分类 | 第86-102页 |
| 5.3.1 基于预训练CNN的场景特征表达 | 第87-91页 |
| 5.3.2 实验结果与分析 | 第91-102页 |
| 5.4 基于深度主题特征表达的场景分类 | 第102-119页 |
| 5.4.1 场景深度语义特征表达 | 第103-107页 |
| 5.4.2 实验结果与分析 | 第107-119页 |
| 5.5 基于深度稀疏特征表达的场景分类 | 第119-125页 |
| 5.5.1 深度稀疏表达 | 第119-121页 |
| 5.5.2 实验结果与分析 | 第121-125页 |
| 5.6 本章小结 | 第125-127页 |
| 第6章 总结与展望 | 第127-131页 |
| 6.1 本文总结 | 第127-128页 |
| 6.2 研究展望 | 第128-131页 |
| 参考文献 | 第131-140页 |
| 附录 | 第140-142页 |
| 致谢 | 第142-143页 |