| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状综述 | 第14-16页 |
| 1.2.1 高光谱图像的分类 | 第14-15页 |
| 1.2.2 高光谱图像的异常检测 | 第15-16页 |
| 1.2.3 难点及问题分析 | 第16页 |
| 1.3 本文的主要工作 | 第16-17页 |
| 1.4 本文的文章结构 | 第17-18页 |
| 第二章 深度学习理论 | 第18-28页 |
| 2.1 引言 | 第18-20页 |
| 2.2 常见的深度学习模型 | 第20-26页 |
| 2.2.1 自编码器模型 | 第20-22页 |
| 2.2.2 卷积神经网络 | 第22-25页 |
| 2.2.3 循环神经网络 | 第25-26页 |
| 2.3 本章小结 | 第26-28页 |
| 第三章 基于深度学习的高光谱图像分类 | 第28-44页 |
| 3.1 PPF分类框架 | 第28-32页 |
| 3.1.1 训练样本的配对模型 | 第28-30页 |
| 3.1.2 使用卷积神经网络来抽取特征 | 第30-31页 |
| 3.1.3 使用投票策略的联合分类 | 第31-32页 |
| 3.2 实验结果 | 第32-43页 |
| 3.2.1 实验数据 | 第33-35页 |
| 3.2.2 调节参数 | 第35-36页 |
| 3.2.3 分类性能 | 第36-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第四章 基于深度迁移学习的高光谱图像的异常检测 | 第44-52页 |
| 4.1 异常检测框架 | 第44-47页 |
| 4.1.1 基于卷积神经网络的异常检测(CNND) | 第44-46页 |
| 4.1.2 框架分析 | 第46-47页 |
| 4.2 实验结果 | 第47-51页 |
| 4.2.1 高光谱数据 | 第47-50页 |
| 4.2.2 检测性能 | 第50-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52-53页 |
| 5.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-60页 |
| 研究成果及发表的学术论文 | 第60-62页 |
| 作者和导师简介 | 第62-64页 |
| 附件 | 第64-65页 |