| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-22页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.2.1 高光谱图像解混技术 | 第17-18页 |
| 1.2.2 高光谱图像维数约简 | 第18-19页 |
| 1.2.3 高光谱图像地物分类 | 第19页 |
| 1.3 论文的主要工作 | 第19-22页 |
| 第二章 高光谱影像分类方法 | 第22-30页 |
| 2.1 高光谱数据特点 | 第22页 |
| 2.2 高光谱图像分类方法 | 第22-26页 |
| 2.3 高光谱图像分类的评价指标 | 第26页 |
| 2.4 高光谱影像分类研究的基准图像 | 第26-30页 |
| 第三章 基于特征融合和深度森林的高光谱影像分类 | 第30-46页 |
| 3.1 深度森林 | 第30-34页 |
| 3.1.1 基本单元—决策树 | 第31-32页 |
| 3.1.2 随机森林 | 第32-33页 |
| 3.1.3 深度森林的结构 | 第33-34页 |
| 3.2 扩展形态学特征(EMP) | 第34-35页 |
| 3.3 线性多尺度空间特征 | 第35-36页 |
| 3.4 非线性多尺度空间特征 | 第36-37页 |
| 3.4.1 整数格理论 | 第36-37页 |
| 3.4.2 斜小波变换 | 第37页 |
| 3.5 基于特征融合和深度森林的高光谱影像分类(FFDF) | 第37-38页 |
| 3.6 实验结果与分析 | 第38-44页 |
| 3.7 本章小结 | 第44-46页 |
| 第四章 基于可变形卷积神经网络的高光谱影像分类 | 第46-60页 |
| 4.1 可变形卷积 | 第46-51页 |
| 4.1.1 Conv2D | 第46-48页 |
| 4.1.2 双线性插值 | 第48-49页 |
| 4.1.3 可变形卷积 | 第49-51页 |
| 4.2 池化(pooling) | 第51-52页 |
| 4.3 ReLU激活函数和Sigmoid激活函数 | 第52-53页 |
| 4.3.1 ReLU激活函数 | 第52页 |
| 4.3.2 Sigmoid激活函数 | 第52-53页 |
| 4.4 基于可变形卷积网络的高光谱影像分类(Deform_CNN) | 第53页 |
| 4.5 实验结果与分析 | 第53-59页 |
| 4.5.1 实验环境与设置 | 第53页 |
| 4.5.2 实验结果与分析 | 第53-59页 |
| 4.6 本章小结 | 第59-60页 |
| 第五章 基于胶囊网络的高光谱影像分类 | 第60-76页 |
| 5.1 普通卷积层 | 第60-61页 |
| 5.2 PrimaryCaps层 | 第61-62页 |
| 5.3 DigitCaps层 | 第62-65页 |
| 5.3.2 层级间的传播与分配过程 | 第63-64页 |
| 5.3.3 DynamicRouting算法 | 第64页 |
| 5.3.4 损失函数 | 第64-65页 |
| 5.4 重构与表示层 | 第65页 |
| 5.5 基于胶囊网络的高光谱影像分类(HSICC) | 第65-74页 |
| 5.5.2 实验设置 | 第66-67页 |
| 5.5.3 实验结果与分析 | 第67-74页 |
| 5.6 本章小结 | 第74-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 总结 | 第76页 |
| 6.2 展望 | 第76-78页 |
| 参考文献 | 第78-86页 |
| 致谢 | 第86-88页 |
| 作者简介 | 第88-89页 |
