| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 遥感图像分类技术的发展 | 第10-12页 |
| 1.2.1 遥感图像分类研究现状 | 第10-11页 |
| 1.2.2 卷积神经网络对遥感图像分类的研究现状 | 第11-12页 |
| 1.3 遥感图像数据库 | 第12-14页 |
| 1.3.1 UCM_LandUse 21类数据集 | 第12-13页 |
| 1.3.2 WHU-RS19数据集 | 第13-14页 |
| 1.4 算法网络设计难点 | 第14页 |
| 1.5 章节安排 | 第14-15页 |
| 第2章 神经网络的相关知识 | 第15-24页 |
| 2.1 神经网络 | 第15-18页 |
| 2.1.1 感知器及S型神经元 | 第15-16页 |
| 2.1.2 神经网络的架构 | 第16-17页 |
| 2.1.3 神经网络的训练过程 | 第17-18页 |
| 2.2 卷积神经网络 | 第18-23页 |
| 2.2.1 卷积神经网络模型 | 第19-20页 |
| 2.2.2 局部连接与权值共享 | 第20-21页 |
| 2.2.3 多核卷积与下采样 | 第21-22页 |
| 2.2.4 卷积神经网络的训练 | 第22-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第3章 多尺度最大输出卷积神经网络的遥感图像分类 | 第24-38页 |
| 3.1 多尺度最大输出卷积神经网络结构 | 第24-26页 |
| 3.2 Inception模块 | 第26-27页 |
| 3.3 Maxout网络 | 第27-30页 |
| 3.4 Softmax | 第30页 |
| 3.5 基于UCM_LandUse_21数据集上的实验结果及分析 | 第30-37页 |
| 3.5.1 图像预处理 | 第30-31页 |
| 3.5.2 模型参数设置及卷积操作可视化 | 第31-33页 |
| 3.5.3 改进算法的性能分析 | 第33-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 基于循环学习率及迁移学习的遥感图像分类方法 | 第38-49页 |
| 4.1 基于循环学习率及迁移学习方法流程 | 第38-39页 |
| 4.2 VGGNet-16网络结构 | 第39-41页 |
| 4.2.1 VGGNet-16网络结构模型 | 第39-40页 |
| 4.2.2 ReLU激活函数 | 第40-41页 |
| 4.3 迁移学习 | 第41-42页 |
| 4.4 随机梯度下降法 | 第42-43页 |
| 4.5 循环学习率 | 第43-45页 |
| 4.6 实验参数确定及结果分析 | 第45-48页 |
| 4.6.1 循环学习率边界值的确定 | 第45页 |
| 4.6.2 实验参数及结果 | 第45-48页 |
| 4.7 本章小结 | 第48-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49-50页 |
| 5.2 展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 附录 攻读硕士学位期间发表的论文及参与的科研项目 | 第56页 |