遥感影像建筑物提取与深度学习
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 论文研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 目标检测技术发展与研究现状 | 第9-10页 |
| 1.2.2 人工神经网络发展与研究现状 | 第10-12页 |
| 1.3 论文研究内容和结构 | 第12-14页 |
| 1.3.1 研究内容 | 第12页 |
| 1.3.2 论文组织结构 | 第12-14页 |
| 第2章 遥感图像建筑物特征提取与识别 | 第14-21页 |
| 2.1 遥感影像中的建筑物特征提取 | 第14-16页 |
| 2.1.1 图像差分边缘检测 | 第14-15页 |
| 2.1.2 链码跟踪算法 | 第15-16页 |
| 2.2 遥感影像中的建筑物识别 | 第16-19页 |
| 2.2.1 Hough变换 | 第16-17页 |
| 2.2.2 矩形结构提取算法 | 第17-19页 |
| 2.3 实验与分析 | 第19-21页 |
| 第3章 卷积神经网络与影像深度学习 | 第21-38页 |
| 3.1 卷积神经网络概述 | 第21页 |
| 3.2 卷积神经网络模型特点 | 第21-23页 |
| 3.2.1 感受野 | 第21页 |
| 3.2.2 权值共享 | 第21-22页 |
| 3.2.3 空间降采样 | 第22-23页 |
| 3.3 卷积神经网络结构 | 第23-31页 |
| 3.3.1 卷积层 | 第24-25页 |
| 3.3.2 池化层 | 第25-26页 |
| 3.3.3 激活函数 | 第26-28页 |
| 3.3.4 正则化 | 第28-31页 |
| 3.4 卷积神经网络的训练 | 第31-35页 |
| 3.4.1 反向传播算法 | 第31-34页 |
| 3.4.2 损失函数 | 第34-35页 |
| 3.5 反卷积与特征学习 | 第35-38页 |
| 第4章 FastR-CNN与遥感影像建筑物检测 | 第38-47页 |
| 4.1 基于深度学习的物体检测 | 第38页 |
| 4.2 基于卷积神经网络的物体检测器 | 第38-47页 |
| 4.2.1 R-CNN | 第39-43页 |
| 4.2.2 FastR-CNN | 第43-47页 |
| 第5章 建筑物深度学习实验分析 | 第47-60页 |
| 5.1 遥感图像数据集制作 | 第47-48页 |
| 5.2 数据增强 | 第48-49页 |
| 5.3 影像建筑物深度学习 | 第49-56页 |
| 5.3.1 网络设计与微调 | 第49-51页 |
| 5.3.2 实验与结果分析 | 第51-56页 |
| 5.4 FastR-CNN与建筑物提取实验 | 第56-60页 |
| 第6章 结论与展望 | 第60-62页 |
| 6.1 结论 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
