基于全卷积网络的小块农田识别方法研究
| 中文摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 引言 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 深度学习研究现状 | 第10-12页 |
| 1.2.2 图像目标识别研究现状 | 第12-14页 |
| 1.3 主要研究内容 | 第14-16页 |
| 1.4 论文结构 | 第16-17页 |
| 2 相关理论与数据概述 | 第17-31页 |
| 2.1 相关理论 | 第17-24页 |
| 2.1.1 全卷积神经网络 | 第17-22页 |
| 2.1.2 贝叶斯判别理论 | 第22-24页 |
| 2.2 数据概况 | 第24-30页 |
| 2.2.1 研究区概况 | 第24-25页 |
| 2.2.2 高分一号卫星数据 | 第25-26页 |
| 2.2.3 数据预处理 | 第26-29页 |
| 2.2.4 实验数据集 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 3 基于降噪自动编码器的小块农田增强方法 | 第31-37页 |
| 3.1 小块农田目标的图像特性 | 第31页 |
| 3.2 降噪自动编码器 | 第31-32页 |
| 3.3 SSDA-E算法描述 | 第32-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 基于全卷积网络的小块农田识别模型 | 第37-54页 |
| 4.1 传统的目标识别方法 | 第37-38页 |
| 4.2 TensorFlow框架 | 第38页 |
| 4.3 网络模型的搭建与训练 | 第38-48页 |
| 4.3.1 基于VGGNet的模型搭建 | 第38-42页 |
| 4.3.2 改进的激活函数 | 第42-43页 |
| 4.3.3 改进的Softmax回归分类器 | 第43-48页 |
| 4.4 实验结果与分析 | 第48-52页 |
| 4.4.1 实验环境 | 第48页 |
| 4.4.2 评判指标 | 第48-49页 |
| 4.4.3 实验结果与对比分析 | 第49-52页 |
| 4.5 本章小结 | 第52-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-61页 |
| 攻读硕士期间取得的成果 | 第61页 |
