中文摘要 | 第9-11页 |
ABSTRACT | 第11-13页 |
第一章 绪论 | 第14-25页 |
1.1 研究背景和意义 | 第14-15页 |
1.2 高分辨率遥感影像分析研究现状及存在的问题 | 第15-19页 |
1.3 深度学习与高分辨率遥感影像分析 | 第19-21页 |
1.4 研究内容和章节安排 | 第21-25页 |
1.4.1 研究内容 | 第21-23页 |
1.4.2 章节安排 | 第23-25页 |
第二章 深度学习基本理论 | 第25-40页 |
2.1 机器学习原理 | 第25-30页 |
2.1.1 监督学习 | 第25-29页 |
2.1.2 无监督学习 | 第29-30页 |
2.2 神经网络 | 第30-35页 |
2.2.1 多层感知器 | 第31-32页 |
2.2.2 自编码机 | 第32-33页 |
2.2.3 卷积神经网络 | 第33-35页 |
2.3 优化方法 | 第35-39页 |
2.3.1 梯度下降法 | 第35-37页 |
2.3.2 反向传播 | 第37-39页 |
2.4 本章小结 | 第39-40页 |
第三章 基于显著度无监督特征学习模型的场景识别方法 | 第40-56页 |
3.1 背景介绍 | 第40-41页 |
3.2 显著度检测 | 第41-44页 |
3.3 无监督特征学习 | 第44-49页 |
3.3.1 稀疏自编码机 | 第44-46页 |
3.3.2 随机丢弃(Dropout)机制 | 第46页 |
3.3.3 特征提取 | 第46-48页 |
3.3.4 结合支持向量机的场景识别 | 第48-49页 |
3.3.5 数据增强 | 第49页 |
3.4 实验与分析 | 第49-55页 |
3.4.1 实验数据 | 第49-50页 |
3.4.2 实验参数设置 | 第50-51页 |
3.4.3 UCM场景数据集结果分析 | 第51-53页 |
3.4.4 澳大利亚悉尼地区场景数据集结果分析 | 第53-55页 |
3.5 本章小结 | 第55-56页 |
第四章 基于梯度提升聚合卷积神经网络模型的场景识别方法 | 第56-70页 |
4.1 背景介绍 | 第56-57页 |
4.2 梯度提升模型 | 第57-58页 |
4.3 聚合卷积神经网络模型 | 第58-63页 |
4.3.1 多类别softmax损失函数 | 第58-60页 |
4.3.2 随机卷积神经网络 | 第60-62页 |
4.3.3 基于梯度提升模型的随机卷积神经网络框架 | 第62-63页 |
4.4 实验与分析 | 第63-69页 |
4.4.1 实验数据 | 第63-64页 |
4.4.2 实验参数设置 | 第64页 |
4.4.3 UCM场景数据集结果分析 | 第64-67页 |
4.4.4 澳大利亚悉尼地区场景数据集 | 第67-69页 |
4.5 本章小结 | 第69-70页 |
第五章 基于弱监督学习耦合卷积神经网络模型的目标探测方法 | 第70-87页 |
5.1 背景介绍 | 第70-72页 |
5.2 弱监督学习 | 第72-74页 |
5.2.1 弱监督学习研究进展 | 第72-73页 |
5.2.2 基于弱监督学习的目标探测框架 | 第73-74页 |
5.3 耦合卷积神经网络模型 | 第74-79页 |
5.3.1 候选区域提取网络 | 第75-77页 |
5.3.2 精细探测网络 | 第77-79页 |
5.4 实验与分析 | 第79-86页 |
5.4.1 实验数据和参数设置 | 第79-80页 |
5.4.2 候选区域提取结果分析 | 第80-83页 |
5.4.3 探测结果分析 | 第83-86页 |
5.5 本章小结 | 第86-87页 |
第六章 基于多任务卷积神经网络的城市分析模型 | 第87-107页 |
6.1 背景介绍 | 第87-89页 |
6.2 武汉市数据介绍 | 第89-93页 |
6.2.1 用地类型数据 | 第89-92页 |
6.2.2 城市密度数据 | 第92页 |
6.2.3 城市人口数据 | 第92页 |
6.2.4 高分辨率遥感影像数据 | 第92-93页 |
6.3 多任务卷积神经网络 | 第93-97页 |
6.3.1 多任务网络结构 | 第93-94页 |
6.3.2 参数设置 | 第94-95页 |
6.3.3 端到端网络训练 | 第95-97页 |
6.4 实验与分析 | 第97-106页 |
6.4.1 用地类型识别 | 第97-102页 |
6.4.2 城市密度估计 | 第102-104页 |
6.4.3 人口密度估计 | 第104-106页 |
6.5 本章小结 | 第106-107页 |
第七章 总结与展望 | 第107-109页 |
7.1 本文总结 | 第107-108页 |
7.2 研究展望 | 第108-109页 |
参考文献 | 第109-116页 |
附录 | 第116-118页 |
致谢 | 第118页 |