| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第18-29页 |
| 1.1 研究背景和研究意义 | 第18-19页 |
| 1.2 国内外研究进展 | 第19-26页 |
| 1.2.1 基于高分辨率遥感影像的建筑物提取 | 第19-22页 |
| 1.2.2 人工神经网络的研究进展 | 第22-26页 |
| 1.3 技术路线与章节安排 | 第26-28页 |
| 1.3.1 技术路线 | 第26-27页 |
| 1.3.2 章节安排 | 第27-28页 |
| 1.4 小结 | 第28-29页 |
| 第二章 数据及研究方法 | 第29-46页 |
| 2.1 数据源与预处理 | 第29-32页 |
| 2.2 数据增强与预处理 | 第32-34页 |
| 2.2.1 数据增强 | 第32-33页 |
| 2.2.2 数据预处理 | 第33-34页 |
| 2.3 卷积神经网络 | 第34-45页 |
| 2.3.1 神经元与Mc Culloch-pitts模型 | 第34-35页 |
| 2.3.2 BP网络的建立及其改进 | 第35-38页 |
| 2.3.3 卷积神经网络的结构和计算 | 第38-45页 |
| 2.4 小结 | 第45-46页 |
| 第三章 卷积神经网络模型训练 | 第46-61页 |
| 3.1 几种常见卷积神经网络的模型介绍 | 第46-48页 |
| 3.1.1 Lenet5 | 第47页 |
| 3.1.2 AlexNet | 第47页 |
| 3.1.3 VGG | 第47页 |
| 3.1.4 GoogleNet | 第47-48页 |
| 3.1.5 ResNet | 第48页 |
| 3.2 建筑物识别适用性实验 | 第48-60页 |
| 3.2.1 Tensorflow介绍 | 第48-51页 |
| 3.2.2 Alexnet模型的训练结果 | 第51-52页 |
| 3.2.3 VGG16的模型与训练结果 | 第52-53页 |
| 3.2.4 Googlenet的模型与训练结果 | 第53-55页 |
| 3.2.5 Resnet的模型与训练结果 | 第55-57页 |
| 3.2.6 结果与讨论 | 第57-60页 |
| 3.3 小结 | 第60-61页 |
| 第四章 建筑物的自动检测系统 | 第61-79页 |
| 4.1 候选目标分割 | 第61-64页 |
| 4.1.1 选择性搜索算法定义 | 第61-62页 |
| 4.1.2 Selective search的相似度计算 | 第62-64页 |
| 4.2 分类器的选择 | 第64-71页 |
| 4.2.1 SVM | 第64-66页 |
| 4.2.2 softmax | 第66-68页 |
| 4.2.3 softmax和svm 比较 | 第68-71页 |
| 4.3 网络参数的选择 | 第71-73页 |
| 4.3.1 学习率 | 第71-72页 |
| 4.3.2 批次大小 | 第72-73页 |
| 4.4 模型层数与卷积核数量的选择 | 第73-75页 |
| 4.4.1 深度对模型的影响 | 第73页 |
| 4.4.2 卷积核数量对模型的影响 | 第73页 |
| 4.4.3 改进模型的深度与卷积核数量 | 第73-75页 |
| 4.5 遥感影像建筑物识别实验 | 第75-78页 |
| 4.6 小结 | 第78-79页 |
| 第五章 结论与展望 | 第79-82页 |
| 5.1 结论 | 第79-80页 |
| 5.2 创新点 | 第80页 |
| 5.3 展望 | 第80-82页 |
| 参考文献 | 第82-87页 |
| 致谢 | 第87-89页 |
| 硕士期间的工作 | 第89-90页 |
| 参与课题 | 第89页 |
| 发表文章 | 第89-90页 |