| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 基于统计建模方法的建筑区域检测 | 第13-14页 |
| 1.2.2 基于纹理方法的建筑区域检测 | 第14-15页 |
| 1.2.3 基于深度学习方法的建筑区域检测 | 第15页 |
| 1.3 本文的主要工作和内容安排 | 第15-18页 |
| 第2章 基于加权输入的卷积神经网络的建筑区域检测 | 第18-34页 |
| 2.1 SAR图像成像机理及相干斑噪声模型 | 第18-22页 |
| 2.1.1 SAR成像原理 | 第18-19页 |
| 2.1.2 相干斑噪声产生的机制 | 第19-21页 |
| 2.1.3 相干斑噪声模型以及SAR图像统计特性 | 第21-22页 |
| 2.2 卷积神经网络 | 第22-26页 |
| 2.2.1 卷积神经网络背景概述 | 第22-23页 |
| 2.2.2 卷积神经网络的结构 | 第23-24页 |
| 2.2.3 卷积神经网络的训练 | 第24-26页 |
| 2.3 建筑区域检测算法流程 | 第26-30页 |
| 2.3.1 高斯加权预处理 | 第27-28页 |
| 2.3.2 卷积神经网络模型 | 第28-29页 |
| 2.3.3 投票判定方法 | 第29-30页 |
| 2.4 实验结果与分析 | 第30-33页 |
| 2.4.1 实验图像数据集 | 第30-31页 |
| 2.4.2 评价指标 | 第31页 |
| 2.4.3 实验结果与分析 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于改善的全卷积神经网络的建筑区域检测 | 第34-54页 |
| 3.1 全卷积神经网络概述 | 第34-36页 |
| 3.2 全卷积神经网络模型 | 第36-37页 |
| 3.3 上下文网络 | 第37-44页 |
| 3.3.1 感受野 | 第37-39页 |
| 3.3.2 迁移学习 | 第39-40页 |
| 3.3.3 上下文网络模型 | 第40-44页 |
| 3.4 全连接条件随机场-循环神经网络 | 第44-47页 |
| 3.4.1 全连接条件随机场 | 第44-45页 |
| 3.4.2 全连接条件随机场-循环神经网络模型 | 第45-47页 |
| 3.5 基于改善的全卷积神经网络的建筑区域检测框架 | 第47-49页 |
| 3.6 实验结果与分析 | 第49-52页 |
| 3.6.1 实验配置 | 第49页 |
| 3.6.2 实验结果与分析 | 第49-52页 |
| 3.7 本章小节 | 第52-54页 |
| 第4章 总结和展望 | 第54-56页 |
| 4.1 论文总结 | 第54-55页 |
| 4.2 未来研究展望 | 第55-56页 |
| 参考文献 | 第56-62页 |
| 致谢 | 第62-64页 |
| 在读期间发表的学术论文与取得的研究成果 | 第64页 |