顾及区域信息的卷积神经网络影像分类方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 论文研究背景 | 第8-9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 高分影像分类研究现状 | 第9-10页 |
| 1.2.2 卷积神经网络发展现状 | 第10-12页 |
| 1.2.3 相关术语说明 | 第12页 |
| 1.3 本文的研究方法以及内容安排 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 第二章 卷积神经网络技术及其在图像分类中的应用 | 第14-26页 |
| 2.1 卷积神经网络提出 | 第14-15页 |
| 2.2 卷积神经网络结构 | 第15-18页 |
| 2.2.1 卷积层及其特点 | 第15-18页 |
| 2.2.2 下采样层 | 第18页 |
| 2.3 卷积神经网络的典型应用 | 第18-22页 |
| 2.3.1 AlexNet | 第19页 |
| 2.3.2 VGG网络 | 第19-21页 |
| 2.3.3 深度残差网络 | 第21-22页 |
| 2.4 卷积神经网络的迁移学习 | 第22页 |
| 2.5 实验 | 第22-25页 |
| 2.5.1 实验准备 | 第22-23页 |
| 2.5.2 实验过程 | 第23-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 基于卷积神经网络和区域信息的遥感影像分类 | 第26-40页 |
| 3.1 引言 | 第26-27页 |
| 3.2 分割算法 | 第27-28页 |
| 3.3 基于卷积神经网络的遥感影像分类 | 第28-31页 |
| 3.3.1 网络结构 | 第28-29页 |
| 3.3.2 训练数据准备以及扩展 | 第29页 |
| 3.3.3 区域分类过程 | 第29-31页 |
| 3.4 基于支撑向量机的后续分类 | 第31-32页 |
| 3.5 实验对比分析 | 第32-39页 |
| 3.5.1 分类的质量评定 | 第33页 |
| 3.5.2 卷积神经网络分类结果分析 | 第33-35页 |
| 3.5.3 基于支撑向量机的后续实验分析 | 第35-36页 |
| 3.5.4 分类方法对比试验 | 第36-39页 |
| 3.6 本章小结 | 第39-40页 |
| 第四章 基于区域信息的全卷积网络的影像语义分割 | 第40-58页 |
| 4.1 引言 | 第40-41页 |
| 4.2 本文网络模型 | 第41-49页 |
| 4.2.1 全卷积网络部分 | 第41-43页 |
| 4.2.2 基于深度监督学习的边缘信息引入 | 第43-44页 |
| 4.2.3 基于区域一致性的损失函数 | 第44-49页 |
| 4.3 实验部分 | 第49-56页 |
| 4.3.1 模型结构 | 第49-50页 |
| 4.3.2 数据集 | 第50页 |
| 4.3.3 实验设置 | 第50-51页 |
| 4.3.4 实验结果 | 第51-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
