| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外在该方向的研究现状及分析 | 第10-14页 |
| 1.2.1 遥感数据的特征提取与地物分类 | 第10-12页 |
| 1.2.2 多/高光谱与高程数据联合分类研究现状 | 第12-13页 |
| 1.2.3 深度神经网络在遥感领域的应用现状 | 第13-14页 |
| 1.3 本文的主要研究内容及章节安排 | 第14-16页 |
| 第2章 基于特征提取的多源遥感数据联合分类 | 第16-27页 |
| 2.1 引言 | 第16页 |
| 2.2 遥感数据的特征提取 | 第16-20页 |
| 2.3 多源遥感数据的特征级融合 | 第20-21页 |
| 2.3.1 多源数据融合概述 | 第20页 |
| 2.3.2 多源数据特征级融合 | 第20-21页 |
| 2.3.3 多/高光谱与高程数据的联合利用 | 第21页 |
| 2.4 遥感数据地物分类 | 第21-24页 |
| 2.5 深度神经网络理论与模型结构 | 第24-26页 |
| 2.5.1 深度学习理论基本概念与特点 | 第24-25页 |
| 2.5.2 深度学习模型的典型训练过程 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于深度卷积网络的特征提取与地物分类 | 第27-41页 |
| 3.1 引言 | 第27页 |
| 3.2 卷积神经网络模型 | 第27-29页 |
| 3.3 多/高光谱和DSM的CNN特征提取与分类模型 | 第29-33页 |
| 3.3.1 用于DSM特征提取与分类的 2D CNN | 第29-30页 |
| 3.3.2 用于多/高光谱数据特征提取与分类的 3D CNN | 第30-32页 |
| 3.3.3 权值更新方法 | 第32页 |
| 3.3.4 批次归一化结构 | 第32-33页 |
| 3.4 特征提取及分类实验分析 | 第33-40页 |
| 3.4.1 实验图像数据简介 | 第33-35页 |
| 3.4.2 多/高光谱数据的特征提取与分类实验 | 第35-38页 |
| 3.4.3 DSM数据的特征提取与分类实验 | 第38-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于全连接神经网络的特征联合分类 | 第41-53页 |
| 4.1 引言 | 第41页 |
| 4.2 基于全连接神经网络的联合分类模型 | 第41-43页 |
| 4.2.1 全连接神经网络结构及相关应用简介 | 第41-42页 |
| 4.2.2 深度联合分类模型的整体结构 | 第42-43页 |
| 4.3 联合分类模型实验及分析 | 第43-52页 |
| 4.3.1 网络结构及其对分类性能影响分析 | 第43-45页 |
| 4.3.2 深度联合分类模型性能分析 | 第45-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第5章 深度神经网络与稀疏表示结合的联合分类 | 第53-62页 |
| 5.1 引言 | 第53页 |
| 5.2 稀疏表示理论基础 | 第53-56页 |
| 5.2.1 稀疏表示问题模型 | 第53-54页 |
| 5.2.2 稀疏系数求解 | 第54-55页 |
| 5.2.3 稀疏字典设计 | 第55-56页 |
| 5.3 稀疏表示在地物分类中的应用 | 第56-58页 |
| 5.3.1 稀疏表示分类模型 | 第56-57页 |
| 5.3.2 稀疏表示方法的其它改进 | 第57-58页 |
| 5.4 DNN与稀疏表示结合的联合分类 | 第58-61页 |
| 5.4.1 模型结构 | 第58-59页 |
| 5.4.2 实验结果及分析 | 第59-61页 |
| 5.5 本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第69-71页 |
| 致谢 | 第71页 |
