| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 国内外研究历史与现状 | 第12-14页 |
| 1.3 主要研究内容 | 第14页 |
| 1.4 主要技术路线 | 第14-16页 |
| 1.5 论文结构安排 | 第16-17页 |
| 第二章 深度卷积神经网络的理论及应用研究 | 第17-30页 |
| 2.1 神经网络的理论基础 | 第17-20页 |
| 2.1.1 单层神经网络 | 第17-18页 |
| 2.1.2 两层神经网络 | 第18-19页 |
| 2.1.3 多层神经网络 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-27页 |
| 2.2.1 局部感知 | 第21页 |
| 2.2.2 权值共享 | 第21-22页 |
| 2.2.3 多重卷积 | 第22-23页 |
| 2.2.4 时间或空间亚采样 | 第23页 |
| 2.2.5 激活函数 | 第23-27页 |
| 2.3 基于卷积神经网络的图像分割 | 第27-29页 |
| 2.4 本章总结 | 第29-30页 |
| 第三章 级联式全卷积神经网络的模型设计与改进研究 | 第30-46页 |
| 3.1 网络模型的设计 | 第31-34页 |
| 3.2 网络模型的改进研究 | 第34-45页 |
| 3.2.1 数据层的改进 | 第34-35页 |
| 3.2.2 卷积层的改进 | 第35-38页 |
| 3.2.3 损失层的改进 | 第38-40页 |
| 3.2.4 训练神经网络的策略 | 第40-45页 |
| 3.2.4.1 训练神经网络的策略研究 | 第40-42页 |
| 3.2.4.2 训练神经网络的策略设计 | 第42-45页 |
| 3.3 本章总结 | 第45-46页 |
| 第四章 基于级联式全卷积神经网络的建筑物自动提取 | 第46-63页 |
| 4.1 卫星影像实验数据集 | 第46-47页 |
| 4.2 建筑物信息提取自动化 | 第47-49页 |
| 4.2.1 硬件和软件 | 第47-48页 |
| 4.2.2 主要功能实现 | 第48-49页 |
| 4.3 实验结果与数据分析 | 第49-57页 |
| 4.3.1 结果评价指标 | 第49-50页 |
| 4.3.2 建筑物信息提取实验结果 | 第50-54页 |
| 4.3.3 数据分析 | 第54-57页 |
| 4.4 数据后处理 | 第57-60页 |
| 4.4.1 条件随机场理论研究 | 第57-59页 |
| 4.4.2 全连接条件随机场理论研究 | 第59-60页 |
| 4.5 实验过程与分析 | 第60-61页 |
| 4.5.1 实验过程与结果 | 第60-61页 |
| 4.5.2 实验结果分析 | 第61页 |
| 4.6 本章总结 | 第61-63页 |
| 第五章 基于级联式全卷积神经网络的图像分类及多目标分割应用 | 第63-75页 |
| 5.1 土地利用类型图像分类应用 | 第63-68页 |
| 5.1.1 土地利用类型实验数据集 | 第63-65页 |
| 5.1.2 土地利用类型分类实验 | 第65页 |
| 5.1.3 实验结果与分析 | 第65-68页 |
| 5.2 城市区域卫星影像多目标分割 | 第68-74页 |
| 5.2.1 城市区域卫星影像实验数据集 | 第68-70页 |
| 5.2.2 多核卷积神经网络结构设计 | 第70-71页 |
| 5.2.3 实验结果与数据分析 | 第71-74页 |
| 5.3 本章总结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 主要结论 | 第75-76页 |
| 6.2 研究展望 | 第76-77页 |
| 致谢 | 第77-79页 |
| 参考文献 | 第79-84页 |