论文目录 | |
摘要 | 第1-7页 |
ABSTRACT | 第7-8页 |
符号对照表 | 第12-13页 |
缩略语对照表 | 第13-16页 |
第一章 绪论 | 第16-32页 |
1.1 研究背景和意义 | 第16-17页 |
1.2 遥感图像分类研究现状分析 | 第17-20页 |
1.2.1 极化SAR图像研究现状 | 第17-18页 |
1.2.2 高光谱图像研究现状 | 第18-20页 |
1.3 理论基础 | 第20-29页 |
1.3.1 极化SAR图像理论基础 | 第20-24页 |
1.3.2 高光谱图像理论基础 | 第24-28页 |
1.3.3 图像分类评价指标 | 第28-29页 |
1.4 本文研究内容与创新 | 第29-32页 |
第二章 基于多尺度全卷积神经网络的极化SAR图像分类 | 第32-54页 |
2.1 非下采样轮廓波理论基础 | 第32-33页 |
2.2 全卷积神经网络 | 第33-37页 |
2.2.1 网络概述 | 第33-35页 |
2.2.2 网络特点 | 第35-37页 |
2.3 基于多尺度全卷积神经网络的极化SAR图像分类 | 第37-39页 |
2.3.1 非下采样轮廓波全卷积神经网络 | 第37-39页 |
2.3.2 基于NSCT-FCN的极化SAR图像分类步骤 | 第39页 |
2.4 实验结果及分析 | 第39-51页 |
2.4.1 数据介绍 | 第40-41页 |
2.4.2 结果分析 | 第41-51页 |
2.5 本章小结 | 第51-54页 |
第三章 基于双通道网络的高光谱图像空-谱特征融合分类 | 第54-76页 |
3.1 循环神经网络 | 第54-55页 |
3.2 卷积神经网络 | 第55-56页 |
3.3 多核学习 | 第56-57页 |
3.4 基于双通道网络的高光谱图像空-谱特征融合分类 | 第57-62页 |
3.4.1 基于RNN的光谱特征提取 | 第57-58页 |
3.4.2 基于NSCT-CNN的多尺度空间特征提取 | 第58-59页 |
3.4.3 基于多核学习的空-谱特征融合分类 | 第59-60页 |
3.4.4 基于MSDCN的高光谱图像分类步骤 | 第60-62页 |
3.5 实验结果及分析 | 第62-73页 |
3.5.1 数据介绍 | 第62-63页 |
3.5.2 结果分析 | 第63-73页 |
3.6 本章小结 | 第73-76页 |
第四章 基于MDCPE协同训练算法的高光谱图像分类 | 第76-96页 |
4.1 协同训练理论基础 | 第76-78页 |
4.1.1 协同训练概述 | 第76-77页 |
4.1.2 类概率估计多样性算法 | 第77-78页 |
4.2 改进类概率估计多样性算法 | 第78-81页 |
4.3 基于MDCPE的高光谱图像分类步骤 | 第81-82页 |
4.4 实验结果及分析 | 第82-93页 |
4.4.1 数据介绍 | 第82-85页 |
4.4.2 参数设置 | 第85-86页 |
4.4.3 分类结果 | 第86-93页 |
4.5 本章小结 | 第93-96页 |
第五章 总结与展望 | 第96-98页 |
5.1 总结 | 第96-97页 |
5.2 展望 | 第97-98页 |
参考文献 | 第98-104页 |
致谢 | 第104-106页 |
作者简介 | 第106-107页 |