首页--天文学、地球科学论文--测绘学论文--摄影测量学与测绘遥感论文--测绘遥感技术论文

基于卷积神经网络的高分辨率遥感影像建筑物提取

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

论文共90页,点击 下载论文
上一篇:基于RSSI的伪卫星室内导航研究及实现
下一篇:釜溪河流域高分航空影像处理及数字平台系统