遥感图像场景深度学习与应用研究--以城市结构类型识别为例
| 摘要 | 第4-7页 |
| ABSTRACT | 第7-10页 |
| 第一章 引言 | 第19-44页 |
| 1.1 选题依据与背景 | 第19-22页 |
| 1.1.1 选题依据 | 第19页 |
| 1.1.2 选题背景 | 第19-22页 |
| 1.2 国内外研究进展 | 第22-40页 |
| 1.2.1 国外研究进展 | 第22-36页 |
| 1.2.2 国内研究进展 | 第36-39页 |
| 1.2.3 亟待解决的问题 | 第39-40页 |
| 1.3 研究内容与论文组织 | 第40-44页 |
| 1.3.1 研究内容 | 第40-41页 |
| 1.3.2 技术路线与论文组织 | 第41-44页 |
| 第二章 研究区概况与数据资料 | 第44-54页 |
| 2.1 研究区概况 | 第44-47页 |
| 2.1.1 地表覆盖概况 | 第44-46页 |
| 2.1.2 城市结构类型分布概况 | 第46-47页 |
| 2.2 数据资料 | 第47-51页 |
| 2.2.1 遥感影像 | 第47-50页 |
| 2.2.2 其它资料 | 第50-51页 |
| 2.3 国际通用实验数据集 | 第51-54页 |
| 2.3.1 UCM数据 | 第51页 |
| 2.3.2 WHU_RS数据 | 第51-54页 |
| 第三章 深度学习方法及场景特征编码 | 第54-95页 |
| 3.1 深度学习方法 | 第54-61页 |
| 3.1.1 稀疏自动编码器 | 第55-57页 |
| 3.1.2 深度卷积神经网络 | 第57-61页 |
| 3.2 特征学习及结果分析 | 第61-80页 |
| 3.2.1 稀疏自动编码特征学习 | 第61-67页 |
| 3.2.2 深度卷积神经网络特征学习 | 第67-80页 |
| 3.3 特征编码及结果分析 | 第80-94页 |
| 3.3.1 特征编码方法 | 第81-87页 |
| 3.3.2 特征编码结果评价 | 第87-94页 |
| 3.4 本章小结 | 第94-95页 |
| 第四章 遥感图像场景多层次特征融合表达与分类 | 第95-129页 |
| 4.1 多层次特征融合表达基础 | 第95-100页 |
| 4.2 多层次特征融合表达框架 | 第100-114页 |
| 4.2.1 特征融合方法 | 第101-103页 |
| 4.2.2 多层次特征融合表达与分类 | 第103-104页 |
| 4.2.3 结果评价与分析 | 第104-114页 |
| 4.3 多模型特征融合表达扩展 | 第114-127页 |
| 4.3.1 特征融合方法 | 第115-117页 |
| 4.3.2 多模型特征融合表达与分类 | 第117-119页 |
| 4.3.3 结果评价与分析 | 第119-127页 |
| 4.4 本章小结 | 第127-129页 |
| 第五章 基于场景分析的城市结构类型识别 | 第129-147页 |
| 5.1 城市结构类型空间语义界定 | 第129-132页 |
| 5.2 城市结构类型分类体系定义 | 第132-136页 |
| 5.3 城市结构类型识别 | 第136-145页 |
| 5.3.1 分类方法及技术流程 | 第136-137页 |
| 5.3.2 分类结果与评价 | 第137-145页 |
| 5.4 本章小结 | 第145-147页 |
| 第六章 结论与展望 | 第147-150页 |
| 6.1 研究结论 | 第147-148页 |
| 6.2 论文创新点 | 第148-149页 |
| 6.3 研究展望 | 第149-150页 |
| 参考文献 | 第150-165页 |
| 攻博期间的科研工作 | 第165-166页 |
| 致谢 | 第166-167页 |
