基于深度学习的光学遥感影像信息提取技术研究
| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第1章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-20页 |
| 1.2.1 遥感场景分类研究现状 | 第16-17页 |
| 1.2.2 遥感目标检测研究现状 | 第17-19页 |
| 1.2.3 遥感影像描述研究现状 | 第19-20页 |
| 1.3 存在的问题及难点分析 | 第20-22页 |
| 1.3.1 遥感场景分类存在的问题及难点 | 第20-21页 |
| 1.3.2 遥感目标检测存在的问题及难点 | 第21页 |
| 1.3.3 遥感影像描述存在的问题及难点 | 第21-22页 |
| 1.4 本文研究内容及章节安排 | 第22-23页 |
| 第2章 卷积神经网络与循环神经网络 | 第23-33页 |
| 2.1 引言 | 第23页 |
| 2.2 深度前馈神经网络 | 第23-26页 |
| 2.3 卷积神经网络 | 第26-28页 |
| 2.3.1 卷积运算 | 第26-27页 |
| 2.3.2 池化层 | 第27-28页 |
| 2.4 循环神经网络 | 第28-30页 |
| 2.5 训练神经网络时的常用技巧 | 第30-32页 |
| 2.5.1 数据预处理 | 第30页 |
| 2.5.2 欠拟合与过拟合 | 第30-31页 |
| 2.5.3 批归一化 | 第31-32页 |
| 2.6 本章小节 | 第32-33页 |
| 第3章 集成卷积神经网络的遥感场景分类 | 第33-52页 |
| 3.1 引言 | 第33页 |
| 3.2 集成神经网络概述 | 第33-39页 |
| 3.2.1 本文使用的CNN模型 | 第34-36页 |
| 3.2.2 图像复杂度 | 第36-39页 |
| 3.2.3 BP神经网络 | 第39页 |
| 3.3 集成神经网络构建 | 第39-45页 |
| 3.3.1 实验环境及数据集 | 第39-40页 |
| 3.3.2 训练卷积神经网络 | 第40-44页 |
| 3.3.3 训练复杂度度量BP网络 | 第44-45页 |
| 3.4 实验结果与分析 | 第45-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 多类别遥感影像旋转目标检测 | 第52-72页 |
| 4.1 引言 | 第52页 |
| 4.2 检测网络结构 | 第52-54页 |
| 4.3 YOLO-r3 工作原理 | 第54-63页 |
| 4.3.1 设置网格及锚点 | 第54-59页 |
| 4.3.2 损失函数 | 第59-60页 |
| 4.3.3 非极大抑制 | 第60-61页 |
| 4.3.4 评价指标 | 第61-63页 |
| 4.4 训练过程 | 第63-67页 |
| 4.4.1 训练数据集 | 第63-64页 |
| 4.4.2 数据预处理 | 第64-67页 |
| 4.5 实验结果分析 | 第67-71页 |
| 4.6 本章小节 | 第71-72页 |
| 第5章 结合注意力机制和特征融合的遥感影像描述 | 第72-86页 |
| 5.1 引言 | 第72页 |
| 5.2 字幕模型结构 | 第72-73页 |
| 5.3 字幕模型工作原理 | 第73-77页 |
| 5.4 评价指标 | 第77-80页 |
| 5.5 字幕模型的训练 | 第80-82页 |
| 5.6 实验结果及分析 | 第82-84页 |
| 5.7 本章小节 | 第84-86页 |
| 第6章 总结与展望 | 第86-88页 |
| 6.1 论文总结与创新成果 | 第86-87页 |
| 6.2 展望 | 第87-88页 |
| 参考文献 | 第88-97页 |
| 致谢 | 第97-98页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第98页 |
