声明
第1 章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 传统高分辨率遥感影像变化检测方法
1.2.2 基于深度学习的高分辨率遥感影像变化检测方法
1.3 研究目的与内容
1.3.1 研究目的
1.3.2 研究内容
1.4 技术路线
1.5 本文的组织结构
第2 章基于卷积神经网络建筑物变化检测的方法原理
2.1 引言
2.2 卷积神经网络的结构原理
2.3 神经网络训练的相关算法
2.3.1 损失函数
2.3.2 反向传播算法
2.3.3 梯度下降优化算法
2.4 基于卷积神经网络的遥感影像建筑物变化检测方法流程
2.4.1 实验平台
2.4.2 实验数据
2.4.3 数据处理
2.4.4 精度评价指标
2.4.5 U-net 模型训练、预测与评价
2.4.6 卷积神经网络的选择实验
2.5 本章小结
第3 章 FD Loss 损失函数构建方法
3.1 引言
3.2 U-net 模型
3.3 FD Loss 损失函数
3.3.1 常用损失函数存在的问题
3.3.2 FD Loss 的构建方法
3.3.3 FD Loss 的参数选择
3.4 实验与结果分析
3.5 本章小结
第4 章 DPU-net 模型设计方案
4.1 引言
4.2 网络退化解决方案
4.3 DPU-net 模型
4.3.1 DPU-net 模型概述
4.3.2 DP特征提取模块
4.3.3 DPU-net 模型结构
4.4 实验与结果分析
4.4.1 纵向对比
4.4.2 消融分析
4.4.3 横向对比
4.5 本章小结
第5 章基于DPU-net 模型的建筑物变化检测方法
5.1 引言
5.2 基于 DPU-net 的高分辨率遥感影像变化检测方法
5.2.1 基于 DPU-net的建筑物变化检测方法概述
5.2.2 DPU-net 模型训练
5.2.3 DPU-net 模型预测
5.3 实验与对比分析
5.4 本章小结
结论与展望
致谢
参考文献
研究生期间参加的学术活动
西南交通大学;