| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-32页 |
| 1.1 研究工作的背景和意义 | 第16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 极化SAR影像地物分类的国内外研究现状 | 第16-18页 |
| 1.2.2 深度学习的发展现状 | 第18-19页 |
| 1.3 极化SAR理论 | 第19-28页 |
| 1.3.1 极化SAR影像成像原理 | 第19-21页 |
| 1.3.2 极化SAR影像数据表征和图像特点 | 第21-23页 |
| 1.3.3 极化SAR影像的分解及极化特征参数 | 第23-28页 |
| 1.4 深度学习理论 | 第28-30页 |
| 1.4.1 深度学习的原理 | 第28页 |
| 1.4.2 深度学习的应用与前景 | 第28-30页 |
| 1.5 本论文的主要内容和安排 | 第30-32页 |
| 第二章 基于深度残差网的极化SAR影像地物分类方法 | 第32-58页 |
| 2.1 引言 | 第32-33页 |
| 2.2 卷积神经网络结构 | 第33-35页 |
| 2.2.1 局部感受野和权值共享 | 第33-34页 |
| 2.2.2 卷积层与下采样层过程 | 第34-35页 |
| 2.3 数据增强 | 第35页 |
| 2.4 基于深度残差网的极化SAR影像地物分类方法 | 第35-44页 |
| 2.4.1 深度残差网 | 第35-37页 |
| 2.4.2 深度残差网的参数选择 | 第37-41页 |
| 2.4.3 基于深度残差网的极化SAR影像地物分类实现 | 第41-44页 |
| 2.5 实验结果与分析 | 第44-57页 |
| 2.5.1 实验数据介绍 | 第44页 |
| 2.5.2 实验设置 | 第44-46页 |
| 2.5.3 实验结果与讨论 | 第46-57页 |
| 2.6 本章小结 | 第57-58页 |
| 第三章 基于深度曲线波-残差网的极化SAR影像地物分类方法 | 第58-84页 |
| 3.1 引言 | 第58页 |
| 3.2 Crvelet在极化SAR影像上的应用 | 第58-69页 |
| 3.2.1 Curvelet概述 | 第58-60页 |
| 3.2.2 Curvelet在合成孔径雷达影像上的应用 | 第60-69页 |
| 3.3 基于深度曲线波-残差网的极化SAR影像地物分类方法设计 | 第69-70页 |
| 3.4 实验结果与分析 | 第70-82页 |
| 3.4.1 实验数据及实验设置 | 第70-71页 |
| 3.4.2 实验结果与讨论 | 第71-82页 |
| 3.5 本章小结 | 第82-84页 |
| 第四章 基于深度扩张卷积结合残差网的极化SAR影像地物分类方法 | 第84-102页 |
| 4.1 引言 | 第84页 |
| 4.2 扩张卷积 | 第84-85页 |
| 4.3 基于深度扩张卷积结合残差网的极化SAR影像地物分类方法 | 第85-88页 |
| 4.4 实验结果与分析 | 第88-100页 |
| 4.4.1 实验数据及实验设置 | 第88页 |
| 4.4.2 实验结果与分析 | 第88-100页 |
| 4.5 本章小结 | 第100-102页 |
| 第五章 总结与展望 | 第102-104页 |
| 5.1 本文工作总结 | 第102-103页 |
| 5.2 未来工作展望 | 第103-104页 |
| 参考文献 | 第104-108页 |
| 致谢 | 第108-110页 |
| 作者简介 | 第110页 |
