| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 选题背景与意义 | 第11页 |
| 1.2 国内外研究现状及分析 | 第11-13页 |
| 1.3 多光谱遥感影像分类技术 | 第13-17页 |
| 1.3.1 多光谱遥感影像有监督分类 | 第14-15页 |
| 1.3.2 多光谱遥感影像无监督分类 | 第15-16页 |
| 1.3.3 多光谱遥感影像半监督分类 | 第16-17页 |
| 1.4 论文主要研究内容 | 第17-19页 |
| 第二章 深度学习人工神经网络的分析与研究 | 第19-36页 |
| 2.1 人工神经网络的结构 | 第19-20页 |
| 2.2 激活函数的意义 | 第20-25页 |
| 2.2.1 Sigmoid激活函数 | 第21-23页 |
| 2.2.2 tanh激活函数 | 第23页 |
| 2.2.3 ReLU激活函数 | 第23-24页 |
| 2.2.4 ELU激活函数 | 第24-25页 |
| 2.3 过拟合问题的解决 | 第25-27页 |
| 2.4 梯度下降优化算法 | 第27-30页 |
| 2.4.1 批量梯度下降法BGD | 第28-29页 |
| 2.4.2 随机梯度下降法SGD | 第29页 |
| 2.4.3 小批量梯度下降法MBGD | 第29-30页 |
| 2.5 人工神经网络的模型 | 第30-36页 |
| 2.5.1 卷积神经网络CNN | 第30-32页 |
| 2.5.2 循环神经网络RNN | 第32-34页 |
| 2.5.3 全连接神经网络FCN | 第34-36页 |
| 第三章 基于改进的U-NET网络的多光谱遥感影像的分类 | 第36-57页 |
| 3.1 U-net分类多光谱遥感影像的总体解决方案 | 第37-42页 |
| 3.1.1 U-net网络模型的改进 | 第39-42页 |
| 3.1.2 实验环境的搭建 | 第42页 |
| 3.2 实验多光谱数据预处理 | 第42-52页 |
| 3.2.1 多光谱训练数据的坐标系转换 | 第43-44页 |
| 3.2.2 多光谱训练数据的可视化 | 第44-48页 |
| 3.2.3 多光谱训练数据归一化处理Normalize | 第48-49页 |
| 3.2.4 多光谱训练数据mask生成 | 第49-51页 |
| 3.2.5 多光谱训练数据的数据增强 | 第51-52页 |
| 3.3 U-net网络训练过程分析 | 第52-55页 |
| 3.3.1 训练样本与验证样本 | 第52页 |
| 3.3.2 多尺度的网络输入 | 第52-54页 |
| 3.3.3 网络模型的评估指标 | 第54-55页 |
| 3.3.4 loss设计 | 第55页 |
| 3.4 U-net网络分类实验结果及分析 | 第55-57页 |
| 第四章 多光谱遥感影像分类结果的后期图像处理方式 | 第57-64页 |
| 4.1 分类结果的后期处理 | 第57-61页 |
| 4.1.1 去燥和规则化 | 第57-58页 |
| 4.1.2 多光谱影像处理后的分类结果 | 第58-61页 |
| 4.2 后处理结果的验证与评估 | 第61-64页 |
| 4.2.1 多光谱遥感影像分类的Jaccard验证 | 第61-62页 |
| 4.2.2 U-net网络的Randindex和Kappa评估 | 第62-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 作者简介及科研成果 | 第71-72页 |
| 作者简介 | 第71页 |
| 科研成果 | 第71-72页 |
| 致谢 | 第72页 |
