| 博士学位论文创新点 | 第5-10页 |
| 摘要 | 第10-12页 |
| Abstract | 第12-14页 |
| 第1章 绪论 | 第15-26页 |
| 1.1 研究背景和意义 | 第15-17页 |
| 1.2 国内外研究现状与发展趋势 | 第17-20页 |
| 1.2.1 目标检测方法研究进展 | 第17-18页 |
| 1.2.2 光学遥感影像分类方法研究进展 | 第18-19页 |
| 1.2.3 SAR影像分类方法研究进展 | 第19-20页 |
| 1.2.4 存在的问题 | 第20页 |
| 1.3 论文研究目标、内容和方案 | 第20-25页 |
| 1.3.1 研究目标 | 第20-21页 |
| 1.3.2 研究内容 | 第21-22页 |
| 1.3.3 研究方案 | 第22-25页 |
| 1.4 论文组织结构 | 第25-26页 |
| 第2章 深度学习理论基础概述 | 第26-50页 |
| 2.1 深度学习的起源与发展 | 第26页 |
| 2.2 深度学习中图像特征的表达方式 | 第26-29页 |
| 2.2.1 像素级特征 | 第26-27页 |
| 2.2.2 浅层特征表达 | 第27-28页 |
| 2.2.3 结构性特征表达 | 第28-29页 |
| 2.3 深度学习基本思想 | 第29-30页 |
| 2.4 深度学习常用模型和方法 | 第30-38页 |
| 2.4.1 自动编码器 | 第30-32页 |
| 2.4.2 稀疏编码 | 第32-34页 |
| 2.4.3 限制波尔兹曼机 | 第34-36页 |
| 2.4.4 深度置信网络 | 第36-38页 |
| 2.5 卷积神经网络 | 第38-48页 |
| 2.5.1 神经网络的结构 | 第38-39页 |
| 2.5.2 局部感知 | 第39-40页 |
| 2.5.3 参数共享 | 第40-41页 |
| 2.5.4 多卷积核 | 第41-42页 |
| 2.5.5 池化 | 第42-43页 |
| 2.5.6 多层卷积和多层池化 | 第43-44页 |
| 2.5.7 常见的卷积神经网络模型 | 第44-48页 |
| 2.6 本章小结 | 第48-50页 |
| 第3章 基于级联卷积神经网络的遥感影像目标检测 | 第50-82页 |
| 3.1 区域卷积神经网络用于目标检测的基本原理 | 第51-56页 |
| 3.1.1 R-CNN | 第51-52页 |
| 3.1.2 Fast R-CNN | 第52-54页 |
| 3.1.3 Faster R-CNN | 第54-56页 |
| 3.2 基于迁移学习理论的样本训练方法 | 第56-63页 |
| 3.2.1 迁移学习 | 第56-57页 |
| 3.2.2 迁移学习参数设置与调整 | 第57-58页 |
| 3.2.3 基于迁移学习的模型训练精度检测 | 第58-60页 |
| 3.2.4 不同网络结构对检测模型精度的影响分析 | 第60-63页 |
| 3.3 目标的几何特征约束 | 第63-66页 |
| 3.3.1 待检测目标几何特征描述 | 第63-64页 |
| 3.3.2 待检测目标几何特征统计 | 第64-66页 |
| 3.4 检测模型训练 | 第66-68页 |
| 3.4.1 样本数据来源及数据准备 | 第66页 |
| 3.4.2 场景分类样本数据集 | 第66-67页 |
| 3.4.3 目标检测样本数据集 | 第67-68页 |
| 3.5 基于Fast R-CNN和GFC的快速遥感影像目标检测 | 第68-72页 |
| 3.5.1 Fast-RCNN遥感影像目标检测 | 第68-69页 |
| 3.5.2 基于Fast-RCNN和GFC的遥感影像目标检测架构 | 第69-70页 |
| 3.5.3 实验数据 | 第70页 |
| 3.5.4 实验结果及对比分析 | 第70-72页 |
| 3.6 基于级联CNN的大面积遥感影像目标检测 | 第72-80页 |
| 3.6.1 二级级联CNN网络架构 | 第72-74页 |
| 3.6.2 重复检测过滤 | 第74-75页 |
| 3.6.3 实验数据 | 第75-77页 |
| 3.6.4 实验结果及对比分析 | 第77-80页 |
| 3.7 本章小结 | 第80-82页 |
| 第4章 基于全卷积神经网络的高分辨率光学遥感影像分类 | 第82-125页 |
| 4.1 传统遥感影像分类方法 | 第82-87页 |
| 4.1.1 最小距离法 | 第83页 |
| 4.1.2 最大似然法 | 第83-84页 |
| 4.1.3 支持向量机 | 第84-85页 |
| 4.1.4 神经网络 | 第85-87页 |
| 4.2 传统分类方法局限性 | 第87-89页 |
| 4.3 基于深度学习在遥感影像分类 | 第89-90页 |
| 4.4 全卷积神经网络FCN | 第90-94页 |
| 4.4.1 从全连接层到全卷积层 | 第90-91页 |
| 4.4.2 特征图 | 第91-93页 |
| 4.4.3 分类结果上采样 | 第93-94页 |
| 4.5 基于FCN的遥感影像分类方法 | 第94-97页 |
| 4.5.1 FCN分类方法整体架构 | 第94-95页 |
| 4.5.2 光谱特征图提取 | 第95-96页 |
| 4.5.3 逻辑回归分类 | 第96-97页 |
| 4.6 实验数据 | 第97-99页 |
| 4.7 数据预处理及模型训练 | 第99-106页 |
| 4.7.1 样本制作 | 第99-102页 |
| 4.7.2 模型选择 | 第102-103页 |
| 4.7.3 迁移学习 | 第103-106页 |
| 4.8 实验结果及分类精度分析 | 第106-124页 |
| 4.8.1 分类精度评价指标 | 第106-107页 |
| 4.8.2 实验结果 | 第107-113页 |
| 4.8.3 分类精度评价与对比分析 | 第113-124页 |
| 4.9 本章小结 | 第124-125页 |
| 第5章 基于全卷积神经网络的SAR融合影像分类 | 第125-167页 |
| 5.1 SAR影像地表覆盖分类方法概述 | 第125-127页 |
| 5.1.1 全极化SAR影像的地表覆盖分类 | 第125-126页 |
| 5.1.2 单极化SAR影像的地表覆盖分类 | 第126-127页 |
| 5.2 基于Shearlet变换的SAR与多光谱遥感影像融合 | 第127-142页 |
| 5.2.1 Shearlet多尺度多方向分解 | 第128-129页 |
| 5.2.2 PCNN图像融合原理 | 第129-131页 |
| 5.2.3 融合框架 | 第131-132页 |
| 5.2.4 融合策略 | 第132-136页 |
| 5.2.5 实验数据 | 第136页 |
| 5.2.6 融合结果及分析 | 第136-142页 |
| 5.3 基于FCN的SAR和多光谱融合影像分类方法 | 第142-150页 |
| 5.3.1 基于FCN的融合影像分类 | 第142-144页 |
| 5.3.2 实验数据 | 第144-147页 |
| 5.3.3 训练样本制作 | 第147-149页 |
| 5.3.4 分类模型训练及参数设置 | 第149-150页 |
| 5.4 SAR影像与低分辨率多光谱遥感影像融合分类 | 第150-158页 |
| 5.4.1 训练精度分析 | 第150-151页 |
| 5.4.2 分类结果 | 第151-156页 |
| 5.4.3 精度评价与对比分析 | 第156-158页 |
| 5.5 SAR影像与高分率率多光谱遥感影像融合分类 | 第158-166页 |
| 5.5.1 训练精度分析 | 第158-159页 |
| 5.5.2 分类结果 | 第159-164页 |
| 5.5.3 精度评价与对比分析 | 第164-166页 |
| 5.6 本章小结 | 第166-167页 |
| 第6章 总结与展望 | 第167-171页 |
| 6.1 本论文研究工作总结 | 第167-168页 |
| 6.2 本论文主要创新点 | 第168-169页 |
| 6.3 后续研究展望 | 第169-171页 |
| 参考文献 | 第171-180页 |
| 攻读博士期间发表的科研成果目录 | 第180-181页 |
| 致谢 | 第181页 |
