| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 基于特征学习的建筑物识别方法研究现状与存在问题 | 第12-15页 |
| 1.2.1 国内外研究现状 | 第12-14页 |
| 1.2.2 目前存在的主要问题及本文解决方法 | 第14-15页 |
| 1.3 基于深度学习的建筑物识别方法研究现状与存在问题 | 第15-17页 |
| 1.3.1 国内外研究现状 | 第15-16页 |
| 1.3.2 目前存在的主要问题及本文解决方法 | 第16-17页 |
| 1.4 本文总体技术路线和内容安排 | 第17-19页 |
| 1.4.1 本文总体技术路线 | 第17页 |
| 1.4.2 本文内容安排 | 第17-19页 |
| 第二章 基于多特征与深度置信网络的建筑物识别方法 | 第19-50页 |
| 2.1 建筑物视觉特征提取方法 | 第19-27页 |
| 2.1.1 常见的视觉特征提取方法 | 第19-23页 |
| 2.1.2 本文设计的建筑物特征提取方法 | 第23-27页 |
| 2.2 基于条件随机场模型的上下文特征提取方法 | 第27-31页 |
| 2.2.1 条件随机场模型构建 | 第27-29页 |
| 2.2.2 条件随机场模型训练和优化 | 第29-31页 |
| 2.3 基于多特征与深度置信网络的遥感图像建筑物识别方法 | 第31-38页 |
| 2.3.1 深度置信网络的模型 | 第31-34页 |
| 2.3.2 深度置信网络的训练 | 第34-37页 |
| 2.3.3 基于多视觉特征与上下文特征的深度置信网络建筑物识别方法 | 第37-38页 |
| 2.4 实验结果与分析 | 第38-48页 |
| 2.4.1 实验图像的特性分析 | 第38-39页 |
| 2.4.2 对比实验软硬件环境 | 第39-40页 |
| 2.4.3 实验结果对比及分析 | 第40-48页 |
| 2.5 本章小结 | 第48-50页 |
| 第三章 基于改进全卷积神经网络的建筑物识别方法 | 第50-76页 |
| 3.1 基于全卷积神经网络的目标识别方法 | 第50-58页 |
| 3.1.1 卷积神经网络模型 | 第50-53页 |
| 3.1.2 全卷积神经网络模型 | 第53-56页 |
| 3.1.3 反向传播算法 | 第56-58页 |
| 3.2 多尺度与旋转扩充训练结合的全卷积神经网络建筑物识别方法 | 第58-62页 |
| 3.2.1 一种多尺度与旋转扩充训练结合的全卷积神经网络模型 | 第58-60页 |
| 3.2.2 多尺度与旋转扩充训练的全卷积神经网络建筑物识别方法 | 第60-62页 |
| 3.3 实验结果与分析 | 第62-75页 |
| 3.3.1 实验图像的特性分析 | 第62页 |
| 3.3.2 对比实验软硬件环境 | 第62-64页 |
| 3.3.3 实验结果对比及分析 | 第64-75页 |
| 3.4 本章小结 | 第75-76页 |
| 第四章 总结与展望 | 第76-79页 |
| 4.1 本文主要工作 | 第76-77页 |
| 4.2 进一步的展望 | 第77-79页 |
| 参考文献 | 第79-84页 |
| 在学期间研究成果 | 第84-85页 |
| 致谢 | 第85页 |
