| 中文摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第14-26页 |
| 1.1 研究背景和意义 | 第14-16页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 国内外研究进展 | 第16-20页 |
| 1.2.1 遥感影像分类智能化技术 | 第16-18页 |
| 1.2.2 DCNNs | 第18-19页 |
| 1.2.3 DCNNs在遥感影像分类的应用 | 第19-20页 |
| 1.2.4 总结 | 第20页 |
| 1.3 研究内容、技术路线及研究方法 | 第20-24页 |
| 1.3.1 研究内容 | 第20-21页 |
| 1.3.2 技术路线 | 第21-23页 |
| 1.3.3 研究方法 | 第23-24页 |
| 1.4 本文的结构安排 | 第24-26页 |
| 第2章 遥感影像分类基本理论及方法 | 第26-45页 |
| 2.1 遥感技术简介 | 第26-27页 |
| 2.2 遥感影像数据格式 | 第27-29页 |
| 2.2.1 多波段通用二进制存储格式 | 第28页 |
| 2.2.2 图片格式 | 第28-29页 |
| 2.2.3 格式转换 | 第29页 |
| 2.3 遥感影像分类算法 | 第29-41页 |
| 2.3.1 非监督分类算法 | 第30-34页 |
| 2.3.2 监督分类算法 | 第34-41页 |
| 2.4 分类精度评价方法 | 第41-44页 |
| 2.4.1 混淆矩阵 | 第42-43页 |
| 2.4.2 Kappa分析法 | 第43-44页 |
| 2.5 本章小结 | 第44-45页 |
| 第3章 深度卷积神经网络基本理论 | 第45-67页 |
| 3.1 深度学习简介 | 第45页 |
| 3.2 深度学习发展史 | 第45-47页 |
| 3.3 人工神经网络 | 第47-58页 |
| 3.3.1 人工神经元 | 第47-49页 |
| 3.3.2 经典激活函数 | 第49-53页 |
| 3.3.3 单隐层前馈神经网络 | 第53-54页 |
| 3.3.4 多隐层前馈神经网络 | 第54-55页 |
| 3.3.5 反向传播算法 | 第55-58页 |
| 3.4 卷积神经网络 | 第58-65页 |
| 3.4.1 卷积的概念 | 第58-59页 |
| 3.4.2 卷积神经网络 | 第59-62页 |
| 3.4.3 DCNNs模型介绍 | 第62-65页 |
| 3.5 本章小结 | 第65-67页 |
| 第4章 深度卷积神经网络关键技术研究 | 第67-84页 |
| 4.1 卷积 | 第67-70页 |
| 4.1.1 二维卷积及互相关 | 第67-69页 |
| 4.1.2 卷积的作用 | 第69-70页 |
| 4.2 梯度下降法的问题及改进算法 | 第70-74页 |
| 4.2.1 梯度下降法的鞍点、极值等问题 | 第70-72页 |
| 4.2.2 带动量梯度下降法 | 第72-73页 |
| 4.2.3 其它改进算法 | 第73-74页 |
| 4.3 激活函数与梯度消失问题 | 第74-77页 |
| 4.3.1 非线性变换 | 第74页 |
| 4.3.2 梯度消失问题及解决 | 第74-77页 |
| 4.4 池化 | 第77-78页 |
| 4.5 DCNNs模型设计和训练 | 第78-83页 |
| 4.5.1 误差分析 | 第78-79页 |
| 4.5.2 欠拟合与过拟合 | 第79-80页 |
| 4.5.3 规范化 | 第80-81页 |
| 4.5.4 提前停止 | 第81-82页 |
| 4.5.5 随机失活(Dropout) | 第82-83页 |
| 4.6 本章小结 | 第83-84页 |
| 第5章 一种复数域的DCNNs模型及SAR影像分类应用 | 第84-101页 |
| 5.1 动机 | 第84-85页 |
| 5.2 数据分析 | 第85-87页 |
| 5.3 基于Patch的DCNNs模型 | 第87-96页 |
| 5.3.1 模型设计原则 | 第88页 |
| 5.3.2 设计思路及模型架构 | 第88-89页 |
| 5.3.3 模型处理流程 | 第89-92页 |
| 5.3.4 复数域DCNNs | 第92-96页 |
| 5.4 实验结果与分析 | 第96-100页 |
| 5.4.1 数据集 | 第96页 |
| 5.4.2 实验环境 | 第96-97页 |
| 5.4.3 训练 | 第97-98页 |
| 5.4.4 结果与分析 | 第98-100页 |
| 5.5 本章小结 | 第100-101页 |
| 第6章 一种端到端的DCNNs模型及遥感影像分类应用 | 第101-129页 |
| 6.1 动机 | 第101-102页 |
| 6.2 DCNNs实现语义分割的关键技术 | 第102-110页 |
| 6.2.1 全连接层转换为卷积层 | 第102-105页 |
| 6.2.2 上采样 | 第105-108页 |
| 6.2.3 重构 | 第108-109页 |
| 6.2.4 基于FCN思想的其它模型 | 第109-110页 |
| 6.3 一种端到端的DCNNs模型 | 第110-116页 |
| 6.3.1 需求分析 | 第110-111页 |
| 6.3.2 设计原则 | 第111页 |
| 6.3.3 设计思路 | 第111-112页 |
| 6.3.4 设计实现 | 第112-116页 |
| 6.4 实验结果与分析 | 第116-128页 |
| 6.4.1 数据集 | 第116页 |
| 6.4.2 实验环境 | 第116-117页 |
| 6.4.3 训练 | 第117-118页 |
| 6.4.4 结果与分析 | 第118-128页 |
| 6.5 本章小结 | 第128-129页 |
| 第7章 结论与认识 | 第129-132页 |
| 7.1 主要工作与结论 | 第129-130页 |
| 7.1.1 主要工作 | 第129页 |
| 7.1.2 主要结论 | 第129-130页 |
| 7.2 展望 | 第130-132页 |
| 致谢 | 第132-134页 |
| 参考文献 | 第134-155页 |
| 附录 | 第155页 |
| 个人简历 | 第155页 |
| 攻读博士期间公开发表的主要学术论文 | 第155页 |