| 摘要 | 第5-7页 |
| Abstract | 第7页 |
| 1.绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 论文组织结构 | 第15-17页 |
| 2.极化SAR理论基础 | 第17-30页 |
| 2.1 极化SAR相关理论 | 第17-25页 |
| 2.1.1 极化SAR数据表征 | 第17-18页 |
| 2.1.2 极化SAR图像特征 | 第18-21页 |
| 2.1.3 极化目标分解 | 第21-25页 |
| 2.2 深度学习相关理论 | 第25-30页 |
| 2.2.1 深度置信网络 | 第25-26页 |
| 2.2.2 自编码器 | 第26-28页 |
| 2.2.3 卷积神经网络 | 第28-30页 |
| 3.利用径向基神经网络结合多尺度分割的极化SAR地物分类 | 第30-41页 |
| 3.1 引言 | 第30-31页 |
| 3.2 多尺度分割 | 第31-32页 |
| 3.3 径向基神经网络 | 第32-34页 |
| 3.4 实验结果与分析 | 第34-40页 |
| 3.4.1 多尺度分割过程 | 第35-36页 |
| 3.4.2 RBF分类 | 第36-37页 |
| 3.4.3 分类与融合 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4.利用多尺度卷积神经网络的极化SAR地物分类 | 第41-56页 |
| 4.1 引言 | 第41页 |
| 4.2 卷积神经网络 | 第41-42页 |
| 4.3 GoogLeNet | 第42-46页 |
| 4.4 实验结果与分析 | 第46-54页 |
| 4.4.1 多尺度分割过程 | 第46-47页 |
| 4.4.2 多尺度样本集构建 | 第47-50页 |
| 4.4.3 多尺度GoogLeNet模型训练 | 第50-52页 |
| 4.4.4 分类与融合 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 5.结合超像素分割和卷积神经网络的极化SAR地物分类 | 第56-74页 |
| 5.1 引言 | 第56页 |
| 5.2 超像素分割 | 第56-62页 |
| 5.2.1 超像素分割算法 | 第56-57页 |
| 5.2.2 SLIC分割方法 | 第57-60页 |
| 5.2.3 分割尺度选择 | 第60-62页 |
| 5.3 AlexNet | 第62-63页 |
| 5.4 实验结果与分析 | 第63-70页 |
| 5.4.1 预处理 | 第64页 |
| 5.4.2 超像素分割 | 第64-65页 |
| 5.4.3 样本集构建 | 第65-66页 |
| 5.4.4 模型训练 | 第66-67页 |
| 5.4.5 分类验证 | 第67-70页 |
| 5.5 横向对比分析 | 第70-72页 |
| 5.5.1 实验方法 | 第70页 |
| 5.5.2 结果分析 | 第70-72页 |
| 5.6 本章小结 | 第72-74页 |
| 6.总结与展望 | 第74-76页 |
| 6.1 总结 | 第74页 |
| 6.2 展望 | 第74-76页 |
| 参考文献 | 第76-81页 |
| 致谢 | 第81-82页 |
| 作者研究生在读期间参与的研究工作 | 第82页 |