1 绪论
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.3.1 论文研究目的
1.3.2 论文研究内容
1.4 论文组织结构
2 相关理论与技术概述
2.1 基于深度学习的图像分类方法
2.1.1 卷积神经网络概述
2.1.2 经典图像分类模型
2.2 图像数据增强方法
2.2.1 图像变换常用操作
2.2.2 图像增强策略
2.3 本章小结
3 基于PBA算法的茶树图像数据增强
3.1.1 图像初步预处理
3.1.2 使用图像数据增强的目的
3.1.3 选择 PBA算法的出发点
3.2 图像增强策略与使用
3.2.1 图像增强策略与图像变换操作
3.2.2 图像应用增强策略的方法
3.3 PBA算法中的图像分类模型
3.4 搜索空间探索策略
3.5 PBA算法数据增强总体流程
3.6 本章小结
4 基于多模态特征的茶树物候期识别模型
4.1.1 茶树物候期识别
4.1.2 多模态数据
4.2.1 网络模型设计思路
4.2.2 多尺度特征提取网络
4.2.3 残差模块网络
4.3.1 主要气象要素
4.3.2 深度学习中的时序模型
4.3.3 利用 LSTM 提取气象特征
4.4 茶树物候期识别模型 MultiModalNet 总体架构
4.5 本章小结
5 实验与分析
5.1.1 数据收集
5.1.2 数据前期处理
5.1.3 数据集的组成
5.2.1 实验环境
5.2.2 Ray框架
5.2.3 TensorFlow 框架
5.3.1 PBA算法参数设置
5.3.2 PBA算法得到的图像增强策略序列
5.3.3 图像增强策略结果分析
5.4.1 模型训练过程
5.4.2 模型测试集和评价指标
5.4.3 PBA图像增强算法效果对比实验
5.4.4 MultiModalNet 模型效果对比实验
5.5 本章小结
6 总结与展望
6.1 总结
6.2 展望
参考文献
附录
A.作者在攻读学位期间参与的科研工作目录
B 学位论文数据集
致谢
重庆大学;