| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 基于底层视觉特征的分类方法 | 第15-16页 |
| 1.2.2 基于中层视觉表示的分类方法 | 第16-17页 |
| 1.2.3 基于高层视觉信息的分类方法 | 第17-18页 |
| 1.3 本文主要研究内容及章节安排 | 第18-20页 |
| 第二章 基于单层网络特征视觉词袋模型的分类方法 | 第20-36页 |
| 2.1 引言 | 第20页 |
| 2.2 单层网络特征视觉词袋模型 | 第20-21页 |
| 2.3 单层网络特征提取 | 第21-26页 |
| 2.3.1 稀疏自动编码器 | 第22-23页 |
| 2.3.2 受限玻尔兹曼机 | 第23-25页 |
| 2.3.3 逐点门限玻尔兹曼机 | 第25-26页 |
| 2.4 特征编码 | 第26-29页 |
| 2.4.1 字典学习 | 第26-27页 |
| 2.4.2 局部约束线性编码 | 第27-28页 |
| 2.4.3 池化 | 第28-29页 |
| 2.5 SVM分类方法 | 第29-30页 |
| 2.6 遥感图像场景分类结果与分析 | 第30-34页 |
| 2.6.1 实验数据集 | 第30-32页 |
| 2.6.2 实验结果与分析 | 第32-34页 |
| 2.7 本章小结 | 第34-36页 |
| 第三章 基于多区域CNN特征池化的遥感图像场景分类 | 第36-46页 |
| 3.1 引言 | 第36页 |
| 3.2 卷积神经网络 | 第36-40页 |
| 3.2.1 CNN理论 | 第36-39页 |
| 3.2.2 CNN模型 | 第39-40页 |
| 3.3 多区域CNN特征池化 | 第40-43页 |
| 3.3.2 滑动窗口CNN特征提取 | 第41-42页 |
| 3.3.3 单卷积层网络 | 第42-43页 |
| 3.4 遥感图像场景分类结果与分析 | 第43-45页 |
| 3.4.1 实验设置 | 第43-44页 |
| 3.4.2 实验结果与分析 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 基于深度差值编码的遥感图像场景分类 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 深度差值编码 | 第46-49页 |
| 4.2.1 CNN卷积层 | 第47-48页 |
| 4.2.2 差值编码 | 第48-49页 |
| 4.3 结合目标区域的深度差值编码 | 第49-50页 |
| 4.4 实验结果与分析 | 第50-56页 |
| 4.4.1 实验参数设置 | 第50-51页 |
| 4.4.2 实验结果与分析 | 第51-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 研究总结 | 第58-59页 |
| 5.2 研究展望 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |