| 摘要 | 第5-8页 |
| ABSTRACT | 第8-10页 |
| 符号对照表 | 第17-21页 |
| 缩略语对照表 | 第21-27页 |
| 第一章 绪论 | 第27-37页 |
| 1.1 极化SAR图像分类 | 第27-30页 |
| 1.1.1 基于极化散射特性的分类算法 | 第27-28页 |
| 1.1.2 基于统计特性的分类算法 | 第28-29页 |
| 1.1.3 基于机器学习的分类算法 | 第29页 |
| 1.1.4 研究重点 | 第29-30页 |
| 1.2 极化SAR图像变化检测 | 第30-31页 |
| 1.2.1 问题描述 | 第30页 |
| 1.2.2 研究现状和难点 | 第30-31页 |
| 1.3 深度学习简介 | 第31-34页 |
| 1.3.1 深度置信网络 | 第31-32页 |
| 1.3.2 深度堆栈网络 | 第32-33页 |
| 1.3.3 卷积神经网络 | 第33页 |
| 1.3.4 生成对抗网络 | 第33-34页 |
| 1.4 本文主要工作与结构安排 | 第34-37页 |
| 第二章 基于Wishart深度置信网络和空间信息的极化SAR图像分类 | 第37-59页 |
| 2.1 引言 | 第37页 |
| 2.2 数据分析 | 第37-39页 |
| 2.3 基于W-DBN的极化SAR数据建模 | 第39-44页 |
| 2.3.1 RBM和WBRBM | 第39-43页 |
| 2.3.2 构建W-DBN | 第43-44页 |
| 2.4 基于W-DBN的判别网络 | 第44-46页 |
| 2.5 基于空间信息和混淆矩阵的修正操作 | 第46-49页 |
| 2.5.1 寻找不可靠像素点 | 第46-48页 |
| 2.5.2 确定不可靠像素点的真实标签 | 第48-49页 |
| 2.6 实验分析 | 第49-56页 |
| 2.6.1 Flevoland地区 | 第50-54页 |
| 2.6.2 San Francisco地区 | 第54-55页 |
| 2.6.3 西安地区 | 第55-56页 |
| 2.7 本章小结 | 第56-59页 |
| 第三章 基于Wishart深度堆栈网络的极化SAR图像分类 | 第59-79页 |
| 3.1 引言 | 第59页 |
| 3.2 从极化SAR数据到神经网络设计 | 第59-66页 |
| 3.2.1 Wishart距离的快速计算方式 | 第60-62页 |
| 3.2.2 Wishart网络 | 第62-66页 |
| 3.3 Wishart深度堆栈网络 | 第66-68页 |
| 3.3.1 构建W-DSN | 第66-68页 |
| 3.3.2 W-DSN分析 | 第68页 |
| 3.4 实验分析 | 第68-76页 |
| 3.4.1 传统计算与快速计算对比 | 第69页 |
| 3.4.2 WN的有效性 | 第69-72页 |
| 3.4.3 W-DSN的有效性 | 第72-74页 |
| 3.4.4 W-DSN Vs.传统DSN | 第74-75页 |
| 3.4.5 综合评价 | 第75-76页 |
| 3.5 本章小结 | 第76-79页 |
| 第四章 基于面向任务的生成对抗网络的极化SAR图像对象分类 | 第79-93页 |
| 4.1 引言 | 第79-80页 |
| 4.2 GAN最新进展 | 第80-81页 |
| 4.3 面向任务的生成对抗网络 | 第81-86页 |
| 4.3.1 模型框架 | 第82页 |
| 4.3.2 针对于极化SAR数据的生成网络(G-Net) | 第82-84页 |
| 4.3.3 判别网络(D-Net) | 第84页 |
| 4.3.4 任务网络(T-Net) | 第84-86页 |
| 4.4 学习过程及策略 | 第86页 |
| 4.5 实验分析 | 第86-90页 |
| 4.5.1 小样本分类问题 | 第86-89页 |
| 4.5.2 生成数据展示 | 第89-90页 |
| 4.6 本章小结 | 第90-93页 |
| 第五章 基于局部受限卷积神经网络的极化SAR图像变化检测 | 第93-125页 |
| 5.1 引言 | 第93-94页 |
| 5.2 局部受限卷积神经网络 | 第94-99页 |
| 5.2.1 任务描述 | 第94-96页 |
| 5.2.2 基于CNN的变化检测 | 第96-97页 |
| 5.2.3 构建LRCNN | 第97-99页 |
| 5.3 LDIs和DELDIs | 第99-102页 |
| 5.3.1 数据分析 | 第99-100页 |
| 5.3.2 构建层次差异图LDI | 第100-101页 |
| 5.3.3 构建DELDI | 第101-102页 |
| 5.4 学习策略 | 第102-105页 |
| 5.4.1 CNN训练分析 | 第102-104页 |
| 5.4.2 LRCNN训练分析 | 第104-105页 |
| 5.4.3 训练算法 | 第105页 |
| 5.5 LRCNN与传统变化检测算法对比 | 第105-108页 |
| 5.6 实验分析 | 第108-124页 |
| 5.6.1 评价指标 | 第109页 |
| 5.6.2 模拟数据集 | 第109-117页 |
| 5.6.3 东京数据集 | 第117-119页 |
| 5.6.4 贵州数据集 | 第119-124页 |
| 5.7 本章小结 | 第124-125页 |
| 第六章 基于Looking-Around-and-Into模式的大规模极化SAR变化检测 | 第125-153页 |
| 6.1 引言 | 第125页 |
| 6.2 LAaI模式 | 第125-126页 |
| 6.3 基于LAaI模式的变化检测 | 第126-133页 |
| 6.3.1 注意力建议卷积自编码网络 | 第126-129页 |
| 6.3.2 递归卷积神经网络 | 第129-131页 |
| 6.3.3 学习过程 | 第131-133页 |
| 6.4 实验分析 | 第133-140页 |
| 6.4.1 候选区域的选取 | 第133-140页 |
| 6.4.2 重点区域的多尺度变化检测结果 | 第140页 |
| 6.5 本章小结 | 第140-153页 |
| 第七章 总结与展望 | 第153-157页 |
| 附录A | 第157-159页 |
| 附录B | 第159-161页 |
| 附录C | 第161-163页 |
| 附录D | 第163-165页 |
| 参考文献 | 第165-183页 |
| 致谢 | 第183-185页 |
| 作者简介 | 第185-186页 |
