| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.3 本文主要工作 | 第17-18页 |
| 1.4 本文内容安排 | 第18-19页 |
| 第二章 深度学习与卷积神经网络 | 第19-36页 |
| 2.1 神经网络 | 第19-28页 |
| 2.1.1 神经网络的发展 | 第20-22页 |
| 2.1.2 神经网络的特点 | 第22-24页 |
| 2.1.3 神经网络的结构原理 | 第24-28页 |
| 2.2 卷积神经网络 | 第28-34页 |
| 2.2.1 LeNet-5 | 第28-30页 |
| 2.2.2 修正线性单元 | 第30-31页 |
| 2.2.3 Dropout | 第31-32页 |
| 2.2.4 梯度下降算法 | 第32-34页 |
| 2.3 本章小结 | 第34-36页 |
| 第三章 基于支持向量机与卷积神经网络的半监督学习合成孔径雷达图像地物类型分类方法 | 第36-58页 |
| 3.1 图像预处理与特征提取 | 第37-45页 |
| 3.1.1 Frost滤波 | 第38-39页 |
| 3.1.2 灰度特征 | 第39-40页 |
| 3.1.3 雷达散射截面 | 第40-41页 |
| 3.1.4 Gabor小波变换 | 第41-43页 |
| 3.1.5 灰度共生矩阵 | 第43-45页 |
| 3.2 支持向量机预分类 | 第45-52页 |
| 3.2.1 主成分分析法 | 第46-47页 |
| 3.2.2 支持向量机分类 | 第47-48页 |
| 3.2.3 分类置信度 | 第48-49页 |
| 3.2.4 实验结果与分析 | 第49-52页 |
| 3.3 卷积神经网络 | 第52-57页 |
| 3.3.1 样本集合并与扩充 | 第53-54页 |
| 3.3.2 网络模型 | 第54-55页 |
| 3.3.3 实验结果与分析 | 第55-57页 |
| 3.4 本章小结 | 第57-58页 |
| 第四章 基于生成对抗网络的合成孔径雷达图像道路网络提取方法 | 第58-79页 |
| 4.1 生成对抗网络 | 第59-71页 |
| 4.1.1 生成器 | 第61-64页 |
| 4.1.2 判别器 | 第64-66页 |
| 4.1.3 实验结果与分析 | 第66-71页 |
| 4.2 道路网络后处理 | 第71-77页 |
| 4.2.1 模糊C均值聚类 | 第71-73页 |
| 4.2.2 实验结果与分析 | 第73-77页 |
| 4.3 本章小结 | 第77-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 5.1 工作总结 | 第79-80页 |
| 5.2 研究展望 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 致谢 | 第86页 |