首页--工业技术论文--自动化技术、计算机技术论文--遥感技术论文--遥感图像的解译、识别与处理论文--图像处理方法论文

基于深度特征学习的高分辨率遥感影像分类

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

论文共71页,点击 下载论文
上一篇:跳深练习提高普通高校健美操专项学生C组难度完成质量的实验研究
下一篇:广东省业余训练“体教结合”现状及对策研究