基于深度学习空谱特征提取的高光谱图像分类

目录

声明

第一章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 高光谱图像分类研究现状

1.2.2 深度特征提取网络研究现状

1.3 论文研究内容及章节安排

第二章 相关理论与基础

2.1 引言

2.2 高光谱图像

2.2.1 高光谱图像成像原理

2.2.2 高光谱图像特点

2.3 深度学习

2.3.1 卷积神经网络

2.3.2 循环神经网络

2.3.3 长短时记忆网络

2.4 高光谱图像分类数据集

2.5 高光谱图像分类评价指标

2.6 本章小结

第三章 基于随机多尺度卷积网络的高光谱图像分类

3.1 引言

3.2 超像素分割

3.2.1 熵率超像素分割

3.2.2 基于超像素分割的高光谱降维

3.3 基于随机块网络的高光谱图像分类

3.4 基于随机多尺度卷积网络的高光谱图像分类

3.5 实验结果与分析

3.5.1 实验设置

3.5.2 参数分析

3.5.3 多尺度模块验证

3.5.4 与其他方法对比实验

3.6 本章小结

第四章 基于注意力机制与多分组策略的高光谱图像分类

4.1 引言

4.2 空间特征提取分类网络

4.2.1 卷积块注意力模块

4.2.2 基于注意力机制空间特征提取的分类网络

4.3 光谱特征提取分类网络

4.3.1 频带分组策略

4.3.2 基于多分组策略光谱特征提取的分类网络

4.4 基于注意力机制与多分组策略的高光谱图像分类

4.5 实验结果与分析

4.5.1 实验设置

4.5.2 网络参数分析

4.5.3 空间特征提取分类网络性能分析

4.5.4 光谱特征提取分类网络性能分析

4.5.5 与其他方法对比实验

4.6 本章小结

总结与展望

工作总结

研究展望

参考文献

攻读硕士学位期间取得的科研成果

致谢