| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 高光谱图像分类的研究目的和意义 | 第10页 |
| 1.2 高光谱图像分类技术相关理论及研究现状 | 第10-12页 |
| 1.2.1 高光谱图像分类技术相关理论 | 第10-11页 |
| 1.2.2 高光谱图像分类技术研究现状 | 第11-12页 |
| 1.3 章节安排 | 第12-13页 |
| 第2章 深度迁移学习 | 第13-28页 |
| 2.1 深度学习概述 | 第13页 |
| 2.2 卷积神经网络 | 第13-23页 |
| 2.2.1 卷积层原理分析 | 第13-14页 |
| 2.2.2 卷积神经网络中常用激活函数 | 第14-17页 |
| 2.2.3 池化层原理分析 | 第17-18页 |
| 2.2.4 Softmax 分类层原理分析 | 第18-19页 |
| 2.2.5 卷积神经网络的反向传播算法 | 第19-22页 |
| 2.2.6 卷积神经网络优化方法 | 第22-23页 |
| 2.3 深度迁移学习理论分析 | 第23-27页 |
| 2.3.1 迁移学习概述 | 第23-25页 |
| 2.3.2 领域自适应问题的定义 | 第25页 |
| 2.3.3 深层网络的可迁移性 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 深度学习在高光谱图像分类中的应用 | 第28-49页 |
| 3.1 高光谱图像预处理方法 | 第28-32页 |
| 3.1.1 基于光谱特征的预处理方法 | 第28-29页 |
| 3.1.2 基于空间特征的预处理方法 | 第29-32页 |
| 3.2 残差网络模型 | 第32-34页 |
| 3.3 实验结果与分析 | 第34-48页 |
| 3.3.1 高光谱图像数据集简介及评价标准 | 第34-37页 |
| 3.3.2 基于光谱特征的高光谱图像分类 | 第37-40页 |
| 3.3.3 基于空间特征的高光谱图像分类 | 第40-43页 |
| 3.3.4 基于残差网络结构的高光谱图像分类 | 第43-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 基于深度迁移学习的高光谱图像分类 | 第49-63页 |
| 4.1 基于模型的迁移学习方法在高光谱图像分类中的应用 | 第49-51页 |
| 4.2 深度迁移学习策略在高光谱图像分类中的应用 | 第51-54页 |
| 4.3 领域适配网络在高光谱图像分类中的应用 | 第54-62页 |
| 4.3.1 特征分布差异度量 | 第55-56页 |
| 4.3.2 领域适配网络 | 第56-58页 |
| 4.3.3 实验结果与分析 | 第58-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第5章 结束语 | 第63-65页 |
| 5.1 工作总结 | 第63页 |
| 5.2 存在的问题 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 攻读学位期间参加的科研项目和成果 | 第70页 |