| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-22页 |
| 1.1 研究背景和意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-20页 |
| 1.2.1 SAR成像特点 | 第15-16页 |
| 1.2.2 SAR图像地物分类研究现状 | 第16-17页 |
| 1.2.3 主动学习研究现状 | 第17-19页 |
| 1.2.4 半监督学习与迁移学习研究现状 | 第19-20页 |
| 1.3 论文的主要内容与章节安排 | 第20-22页 |
| 第二章 SAR图像样本标注 | 第22-34页 |
| 2.1 SAR图像分类流程 | 第22-23页 |
| 2.2 标注流程 | 第23-25页 |
| 2.2.1 粗场景分类下的标注 | 第24-25页 |
| 2.2.2 精细场景分类下的标注 | 第25页 |
| 2.3 标注规范 | 第25-31页 |
| 2.3.1 标注规范总原则 | 第26页 |
| 2.3.2 标注颜色规定 | 第26-28页 |
| 2.3.3 地物边界处理规范 | 第28-29页 |
| 2.3.4 建筑物标注规范 | 第29-31页 |
| 2.4 标注实例 | 第31-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于局部样本选择的主动学习方法 | 第34-58页 |
| 3.1 主动学习概述 | 第34-35页 |
| 3.2 主动学习数学模型 | 第35-36页 |
| 3.3 主动学习方法 | 第36-42页 |
| 3.3.1 基于投票的主动学习 | 第36-38页 |
| 3.3.2 基于最大边距的主动学习方法 | 第38-40页 |
| 3.3.3 基于后验概率的主动学习方法 | 第40-42页 |
| 3.4 基于局部样本选择的主动学习方法 | 第42-45页 |
| 3.4.1 考虑样本多样性 | 第42-43页 |
| 3.4.2 基于局部样本选择的主动学习方法 | 第43-45页 |
| 3.5 实验结果与分析 | 第45-57页 |
| 3.5.1 武汉地区TerraSAR图像实验结果 | 第46-49页 |
| 3.5.2 德国Rosenheim地区TerraSAR图像实验结果 | 第49-53页 |
| 3.5.3 上海交大闵行校区TerraSAR图像实验结果 | 第53-57页 |
| 3.6 本章小结 | 第57-58页 |
| 第四章 结合半监督学习和样本迁移的主动学习方法 | 第58-75页 |
| 4.1 半监督学习简介 | 第58-62页 |
| 4.1.1 半监督学习数学模型 | 第59页 |
| 4.1.2 半监督学习分类方法 | 第59-62页 |
| 4.2 迁移学习概述 | 第62-65页 |
| 4.2.1 迁移学习理论 | 第62-63页 |
| 4.2.2 迁移学习数学描述 | 第63-64页 |
| 4.2.3 迁移学习方法 | 第64-65页 |
| 4.3 结合半监督学习和样本迁移主动学习 | 第65-69页 |
| 4.3.1 查询函数q+ | 第66页 |
| 4.3.2 查询函数q- | 第66-67页 |
| 4.3.3 结合半监督学习与样本迁移的主动学习算法 | 第67-69页 |
| 4.4 实验结果与分析 | 第69-73页 |
| 4.4.1 武汉和Rosenheim地区迁移学习实验结果 | 第70-71页 |
| 4.4.2 上海交大闵行校区不同时段SAR图像迁移学习实验结果 | 第71-72页 |
| 4.4.3 San Francisco不同时段SAR图像迁移学习实验结果 | 第72-73页 |
| 4.5 本章小结 | 第73-75页 |
| 第五章 基于主动学习的SAR图像分类软件平台 | 第75-79页 |
| 5.1 实验系统设计 | 第75-76页 |
| 5.2 软件平台对其他算法的集成 | 第76-77页 |
| 5.3 软件平台实验 | 第77页 |
| 5.4 本章小结 | 第77-79页 |
| 第六章 结束语 | 第79-82页 |
| 6.1 主要工作与创新点 | 第79-80页 |
| 6.2 后续研究工作 | 第80-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88-89页 |
| 攻读硕士学位期间已发表或录用的论文 | 第89页 |
