| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-17页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 背景及意义 | 第8-9页 |
| 1.1.2 项目来源与经费支持 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 极化SAR系统的研究现状 | 第9-10页 |
| 1.2.2 极化SAR图像分类研究现状 | 第10-11页 |
| 1.2.3 深度学习的研究现状 | 第11-12页 |
| 1.2.4 深度学习在SAR应用中的研究现状 | 第12-13页 |
| 1.3 研究目标和研究内容 | 第13-14页 |
| 1.3.1 研究目标 | 第13-14页 |
| 1.3.2 研究内容 | 第14页 |
| 1.4 技术路线 | 第14-15页 |
| 1.5 论文结构 | 第15-16页 |
| 1.6 本章小结 | 第16-17页 |
| 2 深度卷积HighwayUnit网络的构建与数据预处理 | 第17-29页 |
| 2.1 深度学习与深层神经网络 | 第17-20页 |
| 2.1.1 线性模型 | 第17-18页 |
| 2.1.2 激活函数 | 第18-19页 |
| 2.1.3 损失函数 | 第19页 |
| 2.1.4 神经网络优化算法 | 第19-20页 |
| 2.2 传统的卷积神经网络 | 第20-22页 |
| 2.3 深度卷积HighwayUnit网络的结构 | 第22-25页 |
| 2.3.1 Highway层 | 第22-23页 |
| 2.3.2 Highway网络学习单元 | 第23页 |
| 2.3.3 卷积HighwayUnit网络 | 第23-25页 |
| 2.4 深度卷积HighwayUnit网络的分类过程 | 第25页 |
| 2.5 极化SAR数据预处理 | 第25-28页 |
| 2.6 本章小结 | 第28-29页 |
| 3 深度卷积HighwayUnit网络全极化SAR地物类型分类 | 第29-44页 |
| 3.1 依根农林交错实验区 | 第29-34页 |
| 3.1.1 实验区概况 | 第29页 |
| 3.1.2 遥感数据的获取 | 第29-31页 |
| 3.1.3 模型的训练数据与检验数据 | 第31-32页 |
| 3.1.4 分类系统 | 第32-33页 |
| 3.1.5 分类精度评价 | 第33-34页 |
| 3.2 实验与分析 | 第34-39页 |
| 3.2.1 实验设置 | 第34-36页 |
| 3.2.2 实验结果比较 | 第36-39页 |
| 3.2.3 结果比较与分析 | 第39页 |
| 3.3 深度卷积HighwayUnit网络泛化性分析 | 第39-43页 |
| 3.4 实验结论 | 第43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 深度卷积HighwayUnit神经网络双极化SAR大区域制图 | 第44-53页 |
| 4.1 内蒙古呼伦贝尔实验区 | 第44-49页 |
| 4.1.1 实验区概况 | 第44页 |
| 4.1.2 实验区数据的获取 | 第44-48页 |
| 4.1.3 分类系统 | 第48-49页 |
| 4.2 实验与分析 | 第49-51页 |
| 4.2.1 实验设置 | 第49页 |
| 4.2.2 实验结果 | 第49-51页 |
| 4.3 实验结论 | 第51-52页 |
| 4.4 本章小结 | 第52-53页 |
| 5 结论与展望 | 第53-55页 |
| 5.1 结论 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 附录 | 第61页 |
