| 学位论文数据集 | 第3-4页 |
| 摘要 | 第4-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第25-43页 |
| 1.1 研究背景及意义 | 第25-28页 |
| 1.2 国内外研究现状 | 第28-40页 |
| 1.2.1 高光谱图像分类技术的研究现状 | 第28-36页 |
| 1.2.1.1 高光谱图像特征提取 | 第28-33页 |
| 1.2.1.2 高光谱图像分类 | 第33-36页 |
| 1.2.2 多源遥感融合分类技术研究现状 | 第36-40页 |
| 1.2.2.1 多传感器协同与融合利用研究现状 | 第37-38页 |
| 1.2.2.2 基于高光谱的多源遥感融合分类研究现状 | 第38-40页 |
| 1.3 研究的主要内容 | 第40-43页 |
| 第二章 基于多形变体输入的卷积神经网络分类 | 第43-75页 |
| 2.1 引言 | 第43-45页 |
| 2.2 基于多形变体输入的卷积神经网络分类模型 | 第45-53页 |
| 2.2.1 DR-CNN整体结构 | 第45-47页 |
| 2.2.2 多形变体输入及特征提取 | 第47-53页 |
| 2.3 多形变体输入卷积神经网络模型训练 | 第53-55页 |
| 2.4 实验结果及分析 | 第55-74页 |
| 2.4.1 实验数据与评价指标 | 第55-61页 |
| 2.4.2 多形变体输入效果分析 | 第61-64页 |
| 2.4.3 DR-CNN分类效果评估 | 第64-74页 |
| 2.5 本章小结 | 第74-75页 |
| 第三章 基于多源特征的高光谱图像协同分类 | 第75-109页 |
| 3.1 引言 | 第76-78页 |
| 3.2 基于SLIC超像素分割的高光谱与可见光数据协同分类 | 第78-86页 |
| 3.2.1 高光谱与可见光数据初分类 | 第79-84页 |
| 3.2.1.1 基于CNN-PPF的高光谱图像分类 | 第79-83页 |
| 3.2.1.2 基于二进制统计特征的可见光图像分类 | 第83-84页 |
| 3.2.2 高光谱及可见光数据CLC协同分类模型 | 第84-86页 |
| 3.3 基于多源特征融合的高光谱与激光雷达数据协同分类 | 第86-94页 |
| 3.3.1 多源特征提取 | 第87-91页 |
| 3.3.2 基于复合核支持向量机的多源特征协同分类 | 第91-94页 |
| 3.4 实验结果及分析 | 第94-107页 |
| 3.4.1 实验数据与环境设置 | 第94-95页 |
| 3.4.2 高光谱与可见光数据协同分类实验结果 | 第95-102页 |
| 3.4.2.1 CLC决策融合方法参数设置 | 第95-97页 |
| 3.4.2.2 CLC决策融合方法分类效果评估 | 第97-102页 |
| 3.4.3 高光谱与激光雷达数据协同分类实验结果 | 第102-107页 |
| 3.5 本章小结 | 第107-109页 |
| 第四章 基于端到端跨域学习的高光谱及雷达数据融合分类 | 第109-135页 |
| 4.1 引言 | 第109-112页 |
| 4.2 端到端深度模型应用现状 | 第112-114页 |
| 4.2.1 基于自编码器的单源特征学习 | 第112-113页 |
| 4.2.2 基于端到端网络的图像分割 | 第113-114页 |
| 4.3 基于端到端跨域学习的融合分类方法 | 第114-120页 |
| 4.3.1 PToP跨域学习特征提取器 | 第115-117页 |
| 4.3.2 多尺度跨隐层特征融合及分类 | 第117-118页 |
| 4.3.3 端到端跨域学习及融合分类框架学习策略 | 第118-120页 |
| 4.4 实验结果及分析 | 第120-133页 |
| 4.4.1 实验数据与评价指标 | 第120-122页 |
| 4.4.2 端对端跨域学习融合分类法参数讨论 | 第122-126页 |
| 4.4.3 高光谱及激光雷达数据融合分类效果评估 | 第126-133页 |
| 4.5 本章小结 | 第133-135页 |
| 第五章 结论与展望 | 第135-137页 |
| 5.1 结论 | 第135-136页 |
| 5.2 展望 | 第136-137页 |
| 参考文献 | 第137-149页 |
| 致谢 | 第149-151页 |
| 攻博期间发表的论文与参加的科研项目 | 第151-155页 |
| 导师与作者简介 | 第155-157页 |
| 博士研究生学位论文答辩委员会决议书 | 第157-158页 |
