基于深度学习的遥感图像分类研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 深度学习国内外研究现状 | 第11-12页 |
| 1.2.2 遥感图像分类现状 | 第12-13页 |
| 1.2.3 卷积神经网络研究现状 | 第13-15页 |
| 1.3 遥感图像分类存在的问题 | 第15-17页 |
| 1.4 论文结构和研究内容 | 第17-18页 |
| 第2章 遥感图像分类基础 | 第18-30页 |
| 2.1 遥感图像分类原理 | 第18-19页 |
| 2.2 遥感图像分类方法 | 第19-26页 |
| 2.2.1 非监督分类方法 | 第19-23页 |
| 2.2.2 监督分类方法 | 第23-26页 |
| 2.3 遥感影像特征提取与选择 | 第26-28页 |
| 2.3.1 光谱特征 | 第26-27页 |
| 2.3.2 空间特征 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第3章 改进的卷积神经网络模型 | 第30-40页 |
| 3.1 卷积神经网络的基本结构 | 第30-32页 |
| 3.2 卷积神经网络的核心概念 | 第32-34页 |
| 3.3 卷积神经网络的训练方法 | 第34-35页 |
| 3.4 双输入卷积神经网络 | 第35-37页 |
| 3.5 双输入卷积神经网络模型的实验与分析 | 第37-39页 |
| 3.5.1 实验数据及内容 | 第37-38页 |
| 3.5.2 实验结果与分析 | 第38-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第4章 PGCNN遥感图像特征提取算法 | 第40-52页 |
| 4.1 基于卷积神经网络的特征提取算法 | 第40-43页 |
| 4.2 PGCNN遥感特征提取算法的提出 | 第43-44页 |
| 4.3 PGCNN遥感特征提取算法的流程 | 第44-45页 |
| 4.4 PGCNN遥感特征提取算法 | 第45-49页 |
| 4.4.1 PCA降维 | 第46-47页 |
| 4.4.2 特征提取 | 第47-49页 |
| 4.5 PGCNN遥感特征提取算法的实验与分析 | 第49-51页 |
| 4.5.1 实验数据及内容 | 第49页 |
| 4.5.2 实验结果与分析 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 实验结果与分析 | 第52-60页 |
| 5.1 实验环境 | 第52-54页 |
| 5.1.1 软硬件环境 | 第52-53页 |
| 5.1.2 实验数据集处理 | 第53-54页 |
| 5.2 实验与分析 | 第54-58页 |
| 5.2.1 实验评价指标 | 第54-55页 |
| 5.2.2 结果分析 | 第55-58页 |
| 5.3 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第68-70页 |
| 致谢 | 第70页 |
