基于学习策略的地形合成技术研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14页 |
| 1.2 地形合成技术的国内外研究现状 | 第14-16页 |
| 1.3 论文的主要研究内容 | 第16-17页 |
| 1.4 论文的结构安排 | 第17-20页 |
| 第二章 相关技术基础 | 第20-28页 |
| 2.1 地形合成常用方法 | 第20-23页 |
| 2.1.1 过程化地形合成方法 | 第20页 |
| 2.1.2 基于物理侵蚀的地形合成方法 | 第20-21页 |
| 2.1.3 基于草图的地形合成方法 | 第21-22页 |
| 2.1.4 基于机器学习的地形合成方法 | 第22-23页 |
| 2.2 机器学习技术基础 | 第23-27页 |
| 2.2.1 机器学习基础知识 | 第23-24页 |
| 2.2.2 机器学习常用模型 | 第24-25页 |
| 2.2.3 深度学习常用模型及其基础介绍 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于显著特征的地形合成策略 | 第28-44页 |
| 3.1 现有研究方法及存在的问题 | 第28-30页 |
| 3.2 合成策略的主要思想 | 第30-31页 |
| 3.3 显著特征提取策略 | 第31-33页 |
| 3.4 基于RBF神经网络的地形合成算法 | 第33-35页 |
| 3.4.1 RBF网络构建方法 | 第33-34页 |
| 3.4.2 网络训练方法 | 第34-35页 |
| 3.5 合成策略的详细设计方案 | 第35-38页 |
| 3.6 实验结果及性能分析 | 第38-43页 |
| 3.6.1 显著特征提取结果 | 第38-39页 |
| 3.6.2 地形合成实验结果 | 第39-41页 |
| 3.6.3 实验结果对比 | 第41-43页 |
| 3.7 本章小结 | 第43-44页 |
| 第四章 多尺度细节融合的深度地形合成算法 | 第44-62页 |
| 4.1 现有相关工作及存在的问题 | 第44-45页 |
| 4.2 多尺度细节融合算法的框架 | 第45-47页 |
| 4.3 网络设计方案 | 第47-54页 |
| 4.3.1 网络结构设计 | 第47-50页 |
| 4.3.2 损失函数设计 | 第50-51页 |
| 4.3.3 数据集的构建 | 第51-54页 |
| 4.4 多尺度细节融合地形合成算法的步骤 | 第54-55页 |
| 4.5 实验结果及性能分析 | 第55-61页 |
| 4.5.1 地形合成实验结果 | 第57-60页 |
| 4.5.2 对比结果与分析 | 第60-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 基于条件变分自动编码的地形合成关键技术 | 第62-74页 |
| 5.1 现有方法存在问题及分析 | 第62-64页 |
| 5.2 基于条件变分自动编码的合成算法主要思想 | 第64页 |
| 5.3 网络结构详细设计 | 第64-68页 |
| 5.3.1 网络拓扑结构 | 第64-65页 |
| 5.3.2 损失函数 | 第65-67页 |
| 5.3.3 多特征地形图像数据集的构建 | 第67-68页 |
| 5.4 基于条件变分自编码器的地形合成算法 | 第68-69页 |
| 5.5 实验结果及性能分析 | 第69-72页 |
| 5.5.1 地形合成实验结果 | 第69-71页 |
| 5.5.2 实验结果分析 | 第71-72页 |
| 5.6 本章小结 | 第72-74页 |
| 第六章 总结与展望 | 第74-78页 |
| 6.1 本文工作总结 | 第74-75页 |
| 6.2 论文工作的进一步展望 | 第75-78页 |
| 参考文献 | 第78-88页 |
| 致谢 | 第88-89页 |
| 研究成果 | 第89页 |
