声明
1引言
1.1研究背景及意义
1.2国内外研究现状
1.2.1传统的特征提取方法
1.2.2基于浅层机器学习的特征提取方法
1.2.3基于卷积神经网络的特征提取方法
1.2.4深度学习在农作物空间分布提取中的应用
1.3研究内容与技术路线
1.3.1研究内容
1.3.2技术路线
1.4论文组织结构
1.5本章小结
2数据处理
2.1实验区介绍
2.2高分二号介绍
2.3遥感数据预处理
2.3.1辐射定标
2.3.2大气校正
2.3.3正射校正
2.3.4图像融合
2.4数据集的制作
2.5本章小结
3 基于改进RefineNet模型的初提取方法
3.1卷积神经网络的基本原理
3.1.1卷积层
3.1.2池化层
3.1.3激活层
3.2 RefineNet模型基本结构
3.2.1 RefineNet基础介绍
3.2.2 RefineNet特征提取器
3.2.3 RefineNet分类器
3.3改进的RefineNet模型
3.3.1传统RefineNet模型存在的问题
3.3.2特征融合方法的改进
3.3.3分类器的改进
3.4改进后RefineNet模型的提取过程
3.5初提取结果分析
3.5.1置信度的提出
3.5.2置信度阈值的确定
3.6本章小结
4 基于DBN的精提取方法
4.1精提取思路
4.2特征组织
4.2.1语义特征
4.2.2纹理特征
4.2.3纹理统计量特征
4.2.4欧式距离特征
4.2.5特征向量的组织形式
4.3基于DBN的分类方法
4.4本章小结
5 对比实验及结果分析
5.1分类模型的实现
5.1.1模型的实现环境
5.1.2模型的训练及测试过程
5.2实验设计与结果对比
5.3结果分析与讨论
5.4本章小结
6 总结与展望
6.1总结
6.2不足
6.3展望
参考文献
致谢
攻读硕士期间发表论文与研究成果
山东农业大学;