| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景和意义 | 第15-16页 |
| 1.2 国内外的研究现状 | 第16-19页 |
| 1.2.1 分类技术现状 | 第16-18页 |
| 1.2.2 深度学习与图像分类 | 第18-19页 |
| 1.3 研究内容与创新 | 第19-21页 |
| 第二章 高光谱图像分类研究 | 第21-27页 |
| 2.1 高光谱图像特点 | 第21-22页 |
| 2.2 传统的基于空谱信息的高光谱图像分类算法 | 第22-23页 |
| 2.2.1 有监督的高光谱图像分类算法 | 第22页 |
| 2.2.2 半监督的高光谱图像分类算法 | 第22-23页 |
| 2.3 基于深度神经网络的高光谱图像分类算法 | 第23-24页 |
| 2.4 防止过拟合的方法 | 第24-27页 |
| 第三章 基于Gabor特征和深度自编码网络的高光谱图像分类算法 | 第27-39页 |
| 3.1 自编码器 | 第27-29页 |
| 3.2 栈式去噪自编码器 | 第29-30页 |
| 3.3 多项式逻辑回归分类器 | 第30页 |
| 3.4 参数优化方法 | 第30-31页 |
| 3.5 Gabor特征提取 | 第31-32页 |
| 3.6 基于Gabor变换和深度自编码网络的分类算法 | 第32页 |
| 3.7 实验结果 | 第32-36页 |
| 3.7.1 数据集介绍 | 第32-34页 |
| 3.7.2 实验参数设置 | 第34页 |
| 3.7.3 实验结果和分析 | 第34-36页 |
| 3.8 本章小结 | 第36-39页 |
| 第四章 基于非下采样轮廓波变换和深度自编码网络的分类算法 | 第39-57页 |
| 4.1 引言 | 第39页 |
| 4.2 基于轮廓波变换和深度自编码网络的分类算法 | 第39-42页 |
| 4.2.1 非下采样轮廓波变换 | 第39-41页 |
| 4.2.2 空间域特征提取 | 第41页 |
| 4.2.3 基于空谱信息的深度自编码分类网络 | 第41-42页 |
| 4.3 基于方向波变换和深度自编码网络的分类算法 | 第42-44页 |
| 4.3.1 非下采样方向波变换 | 第42-44页 |
| 4.3.2 基于空谱信息的深度自编码分类网络 | 第44页 |
| 4.4 实验结果 | 第44-54页 |
| 4.4.1 实验参数设置 | 第44-45页 |
| 4.4.2 不同统计指标的影响 | 第45-46页 |
| 4.4.3 滤波器窗口大小的影响 | 第46页 |
| 4.4.4 实验结果和分析 | 第46-53页 |
| 4.4.5 算法收敛性分析 | 第53-54页 |
| 4.5 本章小结 | 第54-57页 |
| 第五章 基于主动学习策略的高光谱图像分类算法 | 第57-67页 |
| 5.1 主动学习框架 | 第57-61页 |
| 5.1.1 不确定性采样 | 第58-59页 |
| 5.1.2 多数选择 | 第59-60页 |
| 5.1.3 梯度长度期望 | 第60-61页 |
| 5.2 基于主动学习机制和深度自编码网络的分类算法 | 第61-62页 |
| 5.3 实验结果 | 第62-64页 |
| 5.3.1 实验参数设置 | 第62页 |
| 5.3.2 实验结果和分析 | 第62-64页 |
| 5.4 本章小结 | 第64-67页 |
| 第六章 总结与展望 | 第67-69页 |
| 6.1 研究结论 | 第67页 |
| 6.2 研究展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 致谢 | 第73-75页 |
| 作者简介 | 第75-76页 |
