| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 遥感变化检测 | 第13-14页 |
| 1.2.2 深度学习与变化检测 | 第14-15页 |
| 1.2.3 图像分割算法研究现状 | 第15-16页 |
| 1.3 研究内容 | 第16页 |
| 1.4 技术路线 | 第16-17页 |
| 1.5 组织结构 | 第17-19页 |
| 第2章 理论基础 | 第19-34页 |
| 2.1 深度学习概述 | 第19页 |
| 2.2 卷积神经网络 | 第19-22页 |
| 2.3 卷积神经网络结构与特点 | 第22-27页 |
| 2.3.1 输入层 | 第22-23页 |
| 2.3.2 卷积层 | 第23-24页 |
| 2.3.3 池化层 | 第24页 |
| 2.3.4 激活函数 | 第24-27页 |
| 2.3.5 全连接层 | 第27页 |
| 2.4 反向传播算法 | 第27-29页 |
| 2.5 过拟合现象及解决方案 | 第29-32页 |
| 2.6 BN算法 | 第32-33页 |
| 2.7 本章小结 | 第33-34页 |
| 第3章 基于语义分割的遥感影像变化检测模型 | 第34-46页 |
| 3.1 FCN模型 | 第34-36页 |
| 3.2 Unet模型 | 第36-38页 |
| 3.3 ASPP Inception-Unet模型 | 第38-41页 |
| 3.3.1 空洞卷积 | 第38-39页 |
| 3.3.2 空间金字塔池化 | 第39页 |
| 3.3.3 Inception结构 | 第39-40页 |
| 3.3.4 ASPP Inception-Unet结构 | 第40-41页 |
| 3.4 FPN Res-Unet模型 | 第41-44页 |
| 3.4.1 FPN | 第41-42页 |
| 3.4.2 残差结构 | 第42-43页 |
| 3.4.3 FPN Res-Unet结构 | 第43-44页 |
| 3.5 网络配置 | 第44-45页 |
| 3.6 本章小节 | 第45-46页 |
| 第4章 实验结果与分析 | 第46-62页 |
| 4.1 数据集 1 | 第46-47页 |
| 4.2 数据集 2 | 第47页 |
| 4.3 数据集 3 | 第47-48页 |
| 4.4 GF-2 数据集 | 第48-52页 |
| 4.4.1 数据源介绍 | 第48-49页 |
| 4.4.2 遥感影像预处理 | 第49-50页 |
| 4.4.3 数据集标注 | 第50页 |
| 4.4.4 样本裁剪 | 第50-52页 |
| 4.5 网络训练 | 第52页 |
| 4.6 评估指标 | 第52-53页 |
| 4.7 变化检测结果与分析 | 第53-60页 |
| 4.7.1 实验1及结果分析 | 第53-55页 |
| 4.7.2 实验2及结果分析 | 第55-56页 |
| 4.7.3 实验3及结果分析 | 第56-57页 |
| 4.7.4 实验4及结果分析 | 第57-59页 |
| 4.7.5 分析与比较 | 第59-60页 |
| 4.8 实验环境 | 第60页 |
| 4.9 本章小结 | 第60-62页 |
| 第5章 结论与展望 | 第62-64页 |
| 5.1 结论 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 作者简介及在学期间所取得的科研成果 | 第70-71页 |
| 致谢 | 第71页 |