| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 背景介绍 | 第14页 |
| 1.2 极化SAR影像地物分类发展现状 | 第14-15页 |
| 1.3 极化SAR理论基础 | 第15-19页 |
| 1.3.1 电磁极化波表征 | 第15-17页 |
| 1.3.2 极化散射特性分析 | 第17-19页 |
| 1.4 本文内容安排 | 第19-20页 |
| 第二章 深度学习理论基础 | 第20-26页 |
| 2.1 从浅层学习到深度学习 | 第20-23页 |
| 2.1.1 浅层学习 | 第20页 |
| 2.1.2 深度学习 | 第20-23页 |
| 2.2 深度学习的应用 | 第23-26页 |
| 2.2.1 深度学习的应用 | 第23页 |
| 2.2.2 深度学习的前景 | 第23-26页 |
| 第三章 基于特征集成和深度ICA网络的极化SAR影像地物分类 | 第26-48页 |
| 3.1 基于深度学习的极化SAR影像地物分类 | 第26页 |
| 3.2 极化SAR目标分解、纹理及颜色特征 | 第26-35页 |
| 3.2.1 极化SAR目标分解 | 第26-34页 |
| 3.2.2 极化SAR纹理特征 | 第34-35页 |
| 3.2.3 极化SAR颜色特征 | 第35页 |
| 3.3 深度ICA网络模型及学习算法 | 第35-37页 |
| 3.4 基于特征集成和深度ICA网络的极化SAR影像地物分类 | 第37-40页 |
| 3.5 实验结果分析 | 第40-48页 |
| 3.5.1 实验数据 | 第40-42页 |
| 3.5.2 荷兰Flevoland地区实验结果 | 第42-44页 |
| 3.5.3 德国Oberpfaffenhofen地区实验结果 | 第44-46页 |
| 3.5.4 San Francisco Bay地区实验结果 | 第46-47页 |
| 3.5.5 算法性能分析 | 第47-48页 |
| 第四章 结合K-Means邻域信息编码和深度ICA网络的极化SAR影像地物分类 | 第48-60页 |
| 4.1 K-Means编码基本思想 | 第48-50页 |
| 4.1.1 K-Means聚类 | 第48-49页 |
| 4.1.2 K-Means编码基本步骤 | 第49-50页 |
| 4.2 结合K-Means邻域信息编码和深度ICA网络的极化SAR影像地物分类 | 第50-52页 |
| 4.3 实验结果与分析 | 第52-60页 |
| 4.3.1 荷兰Flevoland地区实验结果 | 第52-55页 |
| 4.3.2 德国Oberpfaffenhofen地区实验结果 | 第55-57页 |
| 4.3.3 San Francisco Bay地区实验结果 | 第57-59页 |
| 4.3.4 算法性能分析 | 第59-60页 |
| 第五章 基于深度Fast ICA网络和超像素分割的极化SAR影像地物分类 | 第60-72页 |
| 5.0 单层FastICA网络 | 第60-61页 |
| 5.1 深度FastICA网络 | 第61-62页 |
| 5.2 超像素分割基本思想 | 第62-63页 |
| 5.3 基于深度Fast ICA网络和超像素分割的极化SAR影像地物分类 | 第63-65页 |
| 5.4 实验及实验结果分析 | 第65-72页 |
| 5.4.1 荷兰Flevoland地区实验结果 | 第65-67页 |
| 5.4.2 德国Oberpfaffenhofen地区实验结果 | 第67-69页 |
| 5.4.3 San Francisco Bay地区实验结果 | 第69-71页 |
| 5.4.4 算法性能分析 | 第71-72页 |
| 第六章 结论与讨论 | 第72-74页 |
| 6.1 研究结论 | 第72页 |
| 6.2 研究展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-80页 |
| 作者简介 | 第80-81页 |
