| Abstract | 第5页 |
| 1 Introduction | 第7-11页 |
| 1.1 State of the Art | 第7-8页 |
| 1.2 Motivations and Objectives | 第8-9页 |
| 1.3 Outline of the Thesis | 第9-10页 |
| 1.4 Summary | 第10-11页 |
| 2 Methodology | 第11-43页 |
| 2.1 Urban area Delineation | 第11-18页 |
| 2.2 Preprocessing | 第18-22页 |
| 2.2.1 Normalization | 第19页 |
| 2.2.2 Coregistration | 第19-20页 |
| 2.2.3 Refinement | 第20页 |
| 2.2.4 Output Representation | 第20-22页 |
| 2.3 Convolution Neural Network | 第22-33页 |
| 2.3.1 Fully Convolution Network | 第22-23页 |
| 2.3.2 U-Net | 第23页 |
| 2.3.3 Seg Net | 第23页 |
| 2.3.4 Res Net-DUC | 第23-24页 |
| 2.3.5 ENet | 第24-26页 |
| 2.3.6 Generative Adversarial Network | 第26-33页 |
| 2.3.7 FC-Dense Net | 第33页 |
| 2.4 Graph Model | 第33-40页 |
| 2.4.1 Conditional Random Field | 第34-38页 |
| 2.4.2 Graph Convolution Network | 第38-40页 |
| 2.5 Proposed Approach | 第40-42页 |
| 2.5.1 Network Architecture | 第40-42页 |
| 2.6 Summary | 第42-43页 |
| 3 Experiments | 第43-61页 |
| 3.1 Study Sites and Datasets | 第43-44页 |
| 3.2 Accuracy Metrics | 第44页 |
| 3.3 Results of Different Convolution Neural Network | 第44-50页 |
| 3.4 Results of Convolution Neural Network Combined with Different Graph Models | 第50-60页 |
| 3.4.1 Comparison between Condition Random Field as Recurrent Neural Network (CR-Fas RNN) and Convolution Condition Random Field (Conv CRF) | 第50-51页 |
| 3.4.2 Results of Convolution Neural Network (CNN) Combined with Convolution Con-ditional Random Field (Conv CRF) | 第51-57页 |
| 3.4.3 Results of Convolution Neural Network Combined with Graph Convolution Network | 第57-60页 |
| 3.5 Summary | 第60-61页 |
| 4 Concluding Remarks | 第61-63页 |
| 4.1 Disscussion and Conclusion | 第61-62页 |
| 4.2 Outlook | 第62-63页 |
| Acknowledgements | 第63-64页 |
| Bibliography | 第64-68页 |
