摘要 | 第6-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第12-20页 |
1.1 研究背景与意义 | 第12-14页 |
1.2 国内外研究现状 | 第14-16页 |
1.2.1 高铁沿线建筑物隐患检测方法 | 第14-15页 |
1.2.2 基于高分辨率遥感影像建筑物自动识别 | 第15-16页 |
1.3 研究目标与研究内容 | 第16-17页 |
1.4 总体技术路线 | 第17-18页 |
1.5 论文组织结构 | 第18-20页 |
第2章 遥感影像场景解译的相关理论 | 第20-30页 |
2.1 从地物分类走向场景解译 | 第20页 |
2.2 场景解译的思路 | 第20-21页 |
2.3 图像解译的特征层次性 | 第21-22页 |
2.4 场景解译常用的分类器 | 第22-27页 |
2.4.1 支持向量机 | 第23-25页 |
2.4.2 Softmax回归模型 | 第25-27页 |
2.5 遥感影像场景解译的常用方法 | 第27-29页 |
2.5.1 基于底层特征的方法 | 第27页 |
2.5.2 基于视觉词袋模型中层特征方法 | 第27-28页 |
2.5.3 基于主题模型中高层语义特征方法 | 第28页 |
2.5.4 基于卷积神经网络多层次特征方法 | 第28-29页 |
2.6 本章小结 | 第29-30页 |
第3章 基于视觉词袋模型中层特征的建筑隐患自动识别 | 第30-41页 |
3.1 文本分析中的词袋模型 | 第30页 |
3.2 从词袋模型到视觉词袋模型 | 第30-31页 |
3.2.1 文本与遥感影像的对应关系 | 第30-31页 |
3.2.2 视觉词袋模型 | 第31页 |
3.3 底层特征选择与提取 | 第31-34页 |
3.3.1 特征选择 | 第31-33页 |
3.3.2 SIFT特征的提取 | 第33-34页 |
3.4 中层视觉词袋特征的生成过程 | 第34-36页 |
3.4.1 视觉词典的生成 | 第34-36页 |
3.4.2 视觉词袋特征的生成 | 第36页 |
3.5 基于视觉词袋模型识别高铁建筑隐患 | 第36-39页 |
3.6 本章小结 | 第39-41页 |
第4章 基于主题模型中高层语义特征的建筑隐患自动识别 | 第41-49页 |
4.1 从词袋模型到主题模型 | 第41-42页 |
4.2 主题模型生成语义主题 | 第42-45页 |
4.2.1 基于概率潜在语义分析模型生成语义主题 | 第42-44页 |
4.2.2 基于潜狄利克雷分布模型生成语义主题 | 第44-45页 |
4.3 主题模型下从文本到图像 | 第45-46页 |
4.3.1 主题模型下文本与图像的对应关系 | 第45-46页 |
4.3.2 主题模型下的图像解译 | 第46页 |
4.4 基于主题模型识别高铁建筑隐患 | 第46-47页 |
4.5 本章小结 | 第47-49页 |
第5章 基于卷积神经网络多层次特征的建筑隐患自动识别 | 第49-56页 |
5.1 卷积神经网络结构 | 第49-50页 |
5.2 卷积神经网络的求解 | 第50-52页 |
5.2.1 卷积层的计算 | 第50-51页 |
5.2.2 卷积层下采样 | 第51页 |
5.2.3 全连接层 | 第51-52页 |
5.3 卷积神经网络模型的训练与推理 | 第52-53页 |
5.4 基于卷积神经网络识别高铁建筑隐患 | 第53-54页 |
5.5 本章小结 | 第54-56页 |
第6章 高速铁路沿线建筑隐患自动识别实验与分析 | 第56-65页 |
6.1 实验数据 | 第56-57页 |
6.2 基于像素和面向对象的高铁沿线建筑隐患自动识别实验 | 第57-58页 |
6.2.1 参数设置 | 第57-58页 |
6.2.2 实验结果 | 第58页 |
6.3 场景解译框架下的高铁沿线建筑隐患自动识别实验 | 第58-60页 |
6.3.1 样本数据库的构建 | 第58-59页 |
6.3.2 实验参数的设置 | 第59-60页 |
6.3.3 实验结果 | 第60页 |
6.4 实验比较分析 | 第60-63页 |
6.4.1 目视评价 | 第60-63页 |
6.4.2 指标评价 | 第63页 |
6.5 本章小结 | 第63-65页 |
总结与展望 | 第65-66页 |
致谢 | 第66-67页 |
参考文献 | 第67-71页 |
攻读硕士学位期间发表论文及科研成果 | 第71页 |