您现在的位置是:网站首页 > 当代诗歌

基于自编码器与卷积神经网络的遥感对象分类

本站2019-07-0790人围观
简介 摘要第4-6页Abstract第6-7页第1章绪论第10-21页引言第10-11页研究意义第11-12页国内外研究现状第12-17页面向对象遥感分类方法研究现状第12-13页自编码器应用研究现

基于自编码器与卷积神经网络的遥感对象分类

摘要第4-6页Abstract第6-7页第1章绪论第10-21页引言第10-11页研究意义第11-12页国内外研究现状第12-17页面向对象遥感分类方法研究现状第12-13页自编码器应用研究现状第13-15页卷积神经网络研究现状第15-17页主要研究内容第17-19页论文的组织结构第19-21页第2章面向对象遥感分类基础与深度学习理论第21-38页面向对象理论基础第21-25页多尺度分割第22-23页分类精度评价方法第23-25页深度学习概述第25-36页自编码器第26-29页卷积神经网络第29-36页本章小结第36-38页第3章面向对象遥感数据集获取第38-44页研究区概况第39-40页对象获取流程第40-41页样本后处理第41-43页本章小结第43-44页第4章栈式自编码器和BP神经网络混合模型第44-52页样本局部采样第44-46页样本局部采样方法第44-46页大样本类别确定方法第46页模型结构设计第46-48页参数设置原则第48-49页实验结果与分析第49-51页本章小结第51-52页第5章基于多分类器的多尺度卷积神经网络模型第52-60页多尺度卷积神经网络结构第52-53页基于多分类器集成的多尺度网络结构第53-56页传统贝叶斯投票法第54-55页改进贝叶斯投票法第55-56页实验结果和分析第56-58页本章小结第58-60页第6章卷积自编码器和卷积神经网络混合模型第60-71页混合模型结构设计第60-61页基于CAE提取影像特征第61-64页混合模型参数设计第64-65页实验结果与分析第65-70页总体精度第66-67页运行效率第67-68页有标签样本的依赖性第68-70页本章小结第70-71页第7章总结与展望第71-74页主要工作第71-72页展望第72-74页致谢第74-75页参考文献第75-81页攻读硕士期间参与的项目及研究成果第81页。