| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 研究现状 | 第11-16页 |
| 1.2.1 高分辨率遥感图像分类的研究现状 | 第11-13页 |
| 1.2.2 基于深度学习的遥感影像分类研究现状 | 第13-16页 |
| 1.3 论文研究内容和目标 | 第16-17页 |
| 1.4 论文结构 | 第17-19页 |
| 第2章 基于卷积神经网络的高分辨率遥感影像分类理论与方法 | 第19-28页 |
| 2.1 高分辨率遥感影像分类概述 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-24页 |
| 2.2.1 网络结构 | 第20-21页 |
| 2.2.2 基本思想 | 第21-22页 |
| 2.2.3 训练过程 | 第22-24页 |
| 2.3 两种基于深度学习的遥感影像分类方法 | 第24-25页 |
| 2.3.1 图像块分类 | 第24-25页 |
| 2.3.2 图像语义分割 | 第25页 |
| 2.4 精度评价方法 | 第25-27页 |
| 2.4.1 混淆矩阵 | 第25-26页 |
| 2.4.2 总体分类精度与平均分类精度 | 第26页 |
| 2.4.3 Kappa系数 | 第26-27页 |
| 2.5 本章总结 | 第27-28页 |
| 第3章 基于SVM-FCN的高分辨率无人机遥感影像分类 | 第28-42页 |
| 3.1 引言 | 第28页 |
| 3.2 基于SVM-FCN的遥感影像分类算法 | 第28-29页 |
| 3.3 数据集构建 | 第29-30页 |
| 3.3.1 小样本统计预测 | 第29-30页 |
| 3.3.2 数据增强 | 第30页 |
| 3.4 基于SVM-FCN的遥感影像分类模型 | 第30-32页 |
| 3.4.1 SVM-FCN网络结构 | 第30-31页 |
| 3.4.2 模型学习 | 第31-32页 |
| 3.5 结合双线性上采样的分类方法 | 第32-34页 |
| 3.6 实验结果及分析 | 第34-40页 |
| 3.6.1 实验数据 | 第35-36页 |
| 3.6.2 深、浅层次特征组合训练及选择 | 第36页 |
| 3.6.3 山东即墨影像分类结果 | 第36-38页 |
| 3.6.4 河南上街影像分类结果 | 第38-39页 |
| 3.6.5 时间效率和泛化能力分析 | 第39-40页 |
| 3.7 本章总结 | 第40-42页 |
| 第4章 基于SegNet和DeconvNet的高分辨率遥感影像语义分割 | 第42-60页 |
| 4.1 引言 | 第42-43页 |
| 4.2 遥感影像语义分割模型描述 | 第43-46页 |
| 4.2.1 基于FCNs的遥感影像语义分割模型 | 第43-44页 |
| 4.2.2 基于SegNet的遥感影像语义分割模型 | 第44-45页 |
| 4.2.3 基于DeconvNet的遥感影像语义分割模型 | 第45-46页 |
| 4.3 条件随机场 | 第46-47页 |
| 4.4 实验结果及分析 | 第47-58页 |
| 4.4.1 实验数据及设置 | 第47-48页 |
| 4.4.2 网络训练及分析 | 第48-51页 |
| 4.4.3 山东即墨影像分类结果 | 第51-54页 |
| 4.4.4 中国某南方城市影像分类结果 | 第54-58页 |
| 4.5 图像块分类和语义分割方法对比 | 第58-59页 |
| 4.6 本章总结 | 第59-60页 |
| 第5章 总结与展望 | 第60-63页 |
| 5.1 本文总结 | 第60页 |
| 5.2 创新点 | 第60-61页 |
| 5.3 展望 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 附录 实验中的部分结果数据 | 第68-70页 |
| 致谢 | 第70-71页 |
| 作者简介及攻读硕士期间发表的学术论文 | 第71页 |
