| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-26页 |
| 1.1 研究背景及意义 | 第14页 |
| 1.2 图像分割的研究现状 | 第14-17页 |
| 1.2.1 图像分割 | 第14-16页 |
| 1.2.2 图像的语义分割 | 第16-17页 |
| 1.3 贝叶斯学习的研究现状 | 第17-19页 |
| 1.4 层次视觉语义的理论知识 | 第19-22页 |
| 1.4.1 MARR的视觉计算理论 | 第19-20页 |
| 1.4.2 初始素描模型 | 第20页 |
| 1.4.3 SAR图像层次视觉语义模型 | 第20-22页 |
| 1.5 蒙特卡洛估计 | 第22-23页 |
| 1.6 论文的主要内容及安排 | 第23-26页 |
| 第二章 G~0分布的随机梯度变分贝叶斯模型 | 第26-48页 |
| 2.1 引言 | 第26页 |
| 2.2 SAR强度图像的G~0分布统计模型 | 第26-27页 |
| 2.3 贝叶斯网络 | 第27页 |
| 2.4 随机梯度变分贝叶斯学习模型 | 第27-30页 |
| 2.4.1 变分下界 | 第28-29页 |
| 2.4.2 随机梯度变分贝叶斯估计 | 第29-30页 |
| 2.5 G~0分布的随机梯度变分贝叶斯学习模型 | 第30-46页 |
| 2.5.1 变分下界中-D_(KL)(q_Φ(Z|X)||P_θ(Z))求解 | 第30-42页 |
| 2.5.2 变分下界求解 | 第42-43页 |
| 2.5.3 构建变分贝叶斯学习模型 | 第43-46页 |
| 2.6 本章小结 | 第46-48页 |
| 第三章 G~0分布变分贝叶斯的SAR图像分割 | 第48-62页 |
| 3.1 引言 | 第48页 |
| 3.2 G~0分布的随机梯度变分贝叶斯特征学习 | 第48-54页 |
| 3.2.1 G~0分布的参数估计 | 第48-49页 |
| 3.2.2 变分贝叶斯网路的权值初始化 | 第49-50页 |
| 3.2.3 G~0分布的随机梯度变分贝叶斯网络的特征学习 | 第50-52页 |
| 3.2.4 实验及分析 | 第52-54页 |
| 3.3 混合像素子空间分割 | 第54-58页 |
| 3.3.1 特征编码 | 第56页 |
| 3.3.2 混合像素子空间分割 | 第56-57页 |
| 3.3.3 实验及分析 | 第57-58页 |
| 3.4 结构与匀质像素子空间的分割 | 第58-59页 |
| 3.5 SAR图像语义分割结果 | 第59-60页 |
| 3.6 实验及分析 | 第60-61页 |
| 3.7 本章小结 | 第61-62页 |
| 第四章 G~0分布变分贝叶斯模型的分析 | 第62-72页 |
| 4.1 引言 | 第62页 |
| 4.2 参数分析 | 第62-68页 |
| 4.2.1 输入神经元参数分析 | 第62-65页 |
| 4.2.2 隐层神经元参数分析 | 第65-67页 |
| 4.2.3 实验及分析 | 第67-68页 |
| 4.3 实验及分析 | 第68-70页 |
| 4.4 本章小结 | 第70-72页 |
| 第五章 总结与展望 | 第72-74页 |
| 5.1 工作总结 | 第72-73页 |
| 5.2 未来展望 | 第73-74页 |
| 附录A | 第74-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 作者简介 | 第84-85页 |