首页--工业技术论文--自动化技术、计算机技术论文--遥感技术论文--遥感图像的解译、识别与处理论文--图像处理方法论文

基于多层网络的遥感图像场景分类

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

论文共69页,点击 下载论文
上一篇:三维有序大孔氧化铟气敏传感器的设计
下一篇:一种基于深度学习的网络隐蔽信道检测方法研究