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(dòng)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(zhǎng)3.3.4特征圖計(jì)算3.3.5三維卷積的計(jì)算3.3.6結(jié)合長(zhǎng)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最大值池化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最大似然分類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