| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 深度学习研究现状 | 第10-11页 |
| 1.2.2 设施农业地物识别研究现状 | 第11-12页 |
| 1.2.3 基于深度学习的影像地物识别研究现状 | 第12-13页 |
| 1.3 研究内容与技术路线 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 技术路线 | 第14-15页 |
| 1.4 论文的组织与架构 | 第15-17页 |
| 第二章 地物识别关键技术分析 | 第17-29页 |
| 2.1 概述 | 第17页 |
| 2.2 面向对象信息提取技术 | 第17-19页 |
| 2.3 基于Tensorflow的图像识别技术 | 第19-28页 |
| 2.3.1 深度学习模型原理 | 第19-23页 |
| 2.3.2 Tensorflow平台特性 | 第23-25页 |
| 2.3.3 基于Tensorflow的深度学习模型构建 | 第25-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于CNN的TOPA识别算法 | 第29-42页 |
| 3.1 算法概述 | 第29-31页 |
| 3.2 图像分类网络 | 第31-33页 |
| 3.3 候选区域提取 | 第33-39页 |
| 3.3.1 选择性搜索 | 第33-36页 |
| 3.3.2 区域候选网络 | 第36-39页 |
| 3.4 边框回归与分类统计 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 实验设计与结果分析 | 第42-55页 |
| 4.1 实验概述 | 第42页 |
| 4.2 运行环境 | 第42页 |
| 4.3 样本数据采集和预处理 | 第42-45页 |
| 4.4 实验结果分析 | 第45-52页 |
| 4.4.1 TOPA识别结果 | 第45-47页 |
| 4.4.2 训练步数对识别误差的影响 | 第47-48页 |
| 4.4.3 神经网络层数和节点数对识别误差的影响 | 第48-51页 |
| 4.4.4 识别精度评价 | 第51-52页 |
| 4.5 与传统地物识别方法对比 | 第52-53页 |
| 4.6 不同平台下识别结果分析 | 第53-54页 |
| 4.7 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 研究工作总结 | 第55-56页 |
| 5.2 未来展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 攻读学位期间的研究成果 | 第62-63页 |