基于深度神经网络的遥感图像分析系统设计
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 1 绪论 | 第7-19页 |
| 1.1 研究背景与意义 | 第7-8页 |
| 1.1.1 研究的背景 | 第7-8页 |
| 1.1.2 研究的意义 | 第8页 |
| 1.2 研究现状 | 第8-15页 |
| 1.2.1 深度学习发展概况 | 第8-11页 |
| 1.2.2 遥感图像分析 | 第11-12页 |
| 1.2.3 迁移学习理论 | 第12-15页 |
| 1.3研究内容与对象 | 第15-17页 |
| 1.4本文组织结构 | 第17-19页 |
| 2 基于深度神经网络的遥感图像预处理 | 第19-33页 |
| 2.1 图像去雾算法 | 第19-22页 |
| 2.1.1 大气散射模型 | 第19-20页 |
| 2.1.2 暗通道先验理论 | 第20-22页 |
| 2.2 基于深度神经网络的端到端去雾模型 | 第22-27页 |
| 2.3 实验与结果分析 | 第27-32页 |
| 2.3.1 数据采集与数据集构建 | 第27-29页 |
| 2.3.2 实验配置与评价指标 | 第29页 |
| 2.3.3 实验设置与结果分析 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 基于深度神经网络的遥感场景识别 | 第33-47页 |
| 3.1 图像识别算法 | 第33-34页 |
| 3.2 遥感图像场景识别模型设计 | 第34-39页 |
| 3.2.1 场景识别模型 | 第34-35页 |
| 3.2.2 基于聚类的显著性检验模型 | 第35-37页 |
| 3.2.3 深度神经网络分类模型 | 第37-39页 |
| 3.3 实验与结果分析 | 第39-46页 |
| 3.3.1 遥感图像地物场景分类数据集 | 第39-42页 |
| 3.3.2 显著性检验与结果分析 | 第42-43页 |
| 3.3.3 分类实验与结果分析 | 第43-46页 |
| 3.4 本章小结 | 第46-47页 |
| 4 基于深度神经网络的遥感语义分割 | 第47-61页 |
| 4.1 图像的语义分割 | 第47-49页 |
| 4.2 遥感图像的语义分割模型 | 第49-53页 |
| 4.2.1 全卷积网络 | 第49-52页 |
| 4.2.2 深度神经网络语义分割模型 | 第52-53页 |
| 4.3 实验与结果分析 | 第53-59页 |
| 4.3.1 语义分割评价指标 | 第53页 |
| 4.3.2 数据增强及数据集构建 | 第53-55页 |
| 4.3.3 深度神经网络模型训练与评价 | 第55-59页 |
| 4.4 本章小结 | 第59-61页 |
| 5 总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61-62页 |
| 5.2 后续研究工作展望 | 第62-63页 |
| 致谢 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 附录 | 第69页 |
| A. 作者在攻读学位期间的获奖情况 | 第69页 |
