| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外在该方向的研究现状及分析 | 第10-15页 |
| 1.2.1 图像分割的发展历史及分析 | 第10-12页 |
| 1.2.2 深度卷积网络的发展及现状 | 第12-13页 |
| 1.2.3 遥感数据分割方法的研究现状 | 第13-15页 |
| 1.3 本文的主要研究内容及章节安排 | 第15-17页 |
| 第2章 深度卷积网络的理论与应用研究 | 第17-28页 |
| 2.1 引言 | 第17页 |
| 2.2 深度学习理论简介 | 第17-18页 |
| 2.3 卷积神经网络基本理论与训练过程 | 第18-21页 |
| 2.3.1 卷积神经网络 | 第18-20页 |
| 2.3.2 典型卷积神经网络训练过程 | 第20-21页 |
| 2.4 迁移学习理论及其应用 | 第21-27页 |
| 2.4.1 迁移学习基本理论与应用 | 第21-22页 |
| 2.4.2 迁移学习应用中的经典模型简介 | 第22-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于卷积神经网络的单源数据语义分割 | 第28-48页 |
| 3.1 引言 | 第28页 |
| 3.2 语义分割模型的建立 | 第28-33页 |
| 3.2.1 反卷积网络结构的基本理论 | 第28-30页 |
| 3.2.2 语义分割网络结构 | 第30-33页 |
| 3.3 单源遥感数据语义分割实验及分析 | 第33-47页 |
| 3.3.1 实验数据集简介 | 第34-35页 |
| 3.3.2 Kmeans算法和随机森林算法简介 | 第35-38页 |
| 3.3.3 高分辨率遥感数据和DSM数据语义分割实验 | 第38-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 基于全卷积网络的双源遥感数据语义分割方法 | 第48-62页 |
| 4.1 引言 | 第48页 |
| 4.2 双源遥感数据的语义分割结构 | 第48-51页 |
| 4.2.1 全连接层与卷积层的转换 | 第48-49页 |
| 4.2.2 全卷积网络简介 | 第49-50页 |
| 4.2.3 双源遥感数据语义分割模型 | 第50-51页 |
| 4.3 语义分割模型的训练技巧 | 第51-54页 |
| 4.3.1 dropout结构 | 第51-52页 |
| 4.3.2 权值参数更新方法 | 第52-53页 |
| 4.3.3 批次归一化结构 | 第53-54页 |
| 4.4 双源遥感数据语义分割实验及分析 | 第54-61页 |
| 4.4.1 模型结构 | 第54页 |
| 4.4.2 实验结果及分析 | 第54-61页 |
| 4.5 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第69-71页 |
| 致谢 | 第71页 |