地表覆蓋神經(jīng)網(wǎng)絡(luò)分類理論與方法

1緒論1．1地表覆蓋分類概述1．1．1非監(jiān)督分類進(jìn)展1．1．2監(jiān)督分類進(jìn)展1．2深度神經(jīng)網(wǎng)絡(luò)發(fā)展現(xiàn)狀1．2．1深度神經(jīng)網(wǎng)絡(luò)圖像分類模型發(fā)展現(xiàn)狀1．2．2深度神經(jīng)網(wǎng)絡(luò)語義分割模型發(fā)展現(xiàn)狀1．2．3主流深度神經(jīng)網(wǎng)絡(luò)框架1．3深度卷積神經(jīng)網(wǎng)絡(luò)在地表覆蓋分類的應(yīng)用進(jìn)展2神經(jīng)網(wǎng)絡(luò)的基本原理2．1人腦神經(jīng)網(wǎng)絡(luò)2．2人工神經(jīng)網(wǎng)絡(luò)2．2．1從生物神經(jīng)元到人工神經(jīng)元2．2．2感知器2．2．3神經(jīng)元模型2．2．4多層前饋神經(jīng)網(wǎng)絡(luò)2．3深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)2．4反向傳播學(xué)習(xí)2．4．1常見梯度下降算法2．4．2其他優(yōu)化的算法2．4．3反向傳播算法的過程2．5激活函數(shù)2．5．1Sigmoid系激活函數(shù)2．5．2Softplus激活函數(shù)2．5．3ReLU激活函數(shù)2．5．4Softmax激活函數(shù)2．5．5其他激活函數(shù)2．6損失函數(shù)2．6．1回歸問題的損失函數(shù)2．6．2分類問題的損失函數(shù)2．7超參數(shù)2．7．1學(xué)習(xí)率2．7．2迭代次數(shù)2．7．3正則化參數(shù)2．7．4小批量數(shù)據(jù)的大小2．7．5動量2．7．6稀疏2．8網(wǎng)絡(luò)參數(shù)優(yōu)化3卷積神經(jīng)網(wǎng)絡(luò)3．1整體結(jié)構(gòu)3．2輸入層3．3卷積層3．3．1卷積運(yùn)算3．3．2填充3．3．3卷積步長3．3．4特征圖計算3．3．5三維卷積的計算3．3．6結(jié)合長方體考慮3．3．7批處理3．3．8參數(shù)的共享3．4池化層3．4．1優(yōu)選值池化3．4．2平均值池化3．4．3池化的特性3．5全連接層3．6經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)3．6．1LeNet3．6．2AlexNet網(wǎng)絡(luò)3．6．3VGGNet網(wǎng)絡(luò)3．6．4NiN網(wǎng)絡(luò)3．6．5GoogLeNet網(wǎng)絡(luò)3．6．6ResNet網(wǎng)絡(luò)4地表覆蓋分類基本原理與方法4．1目視解譯4．1．1人工目視判讀法4．1．2人機(jī)互換判斷法4．2監(jiān)督分類4．2．1優(yōu)選似然分類4．2．2最小距離法4．2．3決策樹分類算法4．2．4隨機(jī)森林分類算法4．2．5支持向量機(jī)分類算法4．3非監(jiān)督分類算法4．3．1層次聚類4．3．2模糊聚類4．3．3K均值聚類算法4．3．4ISODATA分類算法4．4人工神經(jīng)網(wǎng)絡(luò)4．5卷積神經(jīng)網(wǎng)絡(luò)4．5．1FCN網(wǎng)絡(luò)模型4．5．2U-Net網(wǎng)絡(luò)模型4．5．3SegNet網(wǎng)絡(luò)模型4．5．4PSPNet網(wǎng)絡(luò)模型4．5．5DeepLab系列網(wǎng)絡(luò)5地表覆蓋分類語義分割方法5．1卷積層5．2池化層5．3卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建5．4語義分割編碼-解碼結(jié)構(gòu)5．5語義分