| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-17页 |
| 1.3 本文的主要研究内容 | 第17-19页 |
| 第二章 高光谱影像分类研究 | 第19-29页 |
| 2.1 引言 | 第19页 |
| 2.2 网络学习模型 | 第19-24页 |
| 2.2.1 极限学习机 | 第19-20页 |
| 2.2.2 自编码网络 | 第20-21页 |
| 2.2.3 卷积神经网络 | 第21-24页 |
| 2.3 实验数据集 | 第24-27页 |
| 2.4 高光谱影像分类方法的性能指标 | 第27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 基于Squeeze-and-Excitation聚合残差网络的高光谱影像分类 | 第29-47页 |
| 3.1 深度神经网络的聚合残差变换 | 第29-34页 |
| 3.1.1 残差学习 | 第30页 |
| 3.1.2 恒等映射 | 第30-31页 |
| 3.1.3 聚合残差变换 | 第31-34页 |
| 3.2 Squeeze-and-Excitation模块 | 第34-36页 |
| 3.2.1 Squeeze:全局信息嵌入 | 第34-35页 |
| 3.2.2 Excitation:自适应重新校正 | 第35-36页 |
| 3.3 Squeeze-and-Excitation聚合残差网络 | 第36页 |
| 3.4 基于Squeeze-and-Excitation聚合残差网络的高光谱影像分类 | 第36-38页 |
| 3.5 实验结果与分析 | 第38-45页 |
| 3.5.1 实验参数设置 | 第39页 |
| 3.5.2 实验结果与分析 | 第39-45页 |
| 3.6 本章小结 | 第45-47页 |
| 第四章 基于集成多层极限学习机和主动学习的高光谱影像分类 | 第47-61页 |
| 4.1 多层极限学习机 | 第47-49页 |
| 4.2 集成学习 | 第49-50页 |
| 4.3 主动学习 | 第50-52页 |
| 4.4 基于集成多层极限学习机和主动学习的高光谱影像分类 | 第52-53页 |
| 4.5 实验结果与分析 | 第53-59页 |
| 4.5.1 实验参数设置 | 第54页 |
| 4.5.2 实验结果与分析 | 第54-59页 |
| 4.6 本章小结 | 第59-61页 |
| 第五章 基于边缘保持滤波和深度网络的高光谱影像分类 | 第61-73页 |
| 5.1 栈式自编码 | 第61-62页 |
| 5.2 基于栈式自编码的分类模型 | 第62-64页 |
| 5.2.1 基于光谱信息的栈式自编码分类模型 | 第62-63页 |
| 5.2.2 基于空间信息的栈式自编码分类模型 | 第63页 |
| 5.2.3 结合空谱信息的栈式自编码分类模型 | 第63-64页 |
| 5.3 基于边缘保持滤波和深度网络的高光谱影像分类 | 第64-66页 |
| 5.4 实验结果与分析 | 第66-71页 |
| 5.4.1 实验参数设置 | 第66页 |
| 5.4.2 实验结果与分析 | 第66-71页 |
| 5.5 本章小结 | 第71-73页 |
| 第六章 总结与展望 | 第73-75页 |
| 6.1 本文工作总结 | 第73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-81页 |
| 致谢 | 第81-83页 |
| 作者简介 | 第83-84页 |
