1. 毕业设计（论文）主要内容：
利用深度神经网络，进行城市土地利用类型的遥感模式识别，探讨各种地类的分类标准，常用深度神经网络的比较优势，设计实现一种适合城市土地利用类型的语义分割网络。
2. 毕业设计（论文）主要任务及要求
1，分析、建立特定城市的土地利用分类标准，要求至少8个类；
2，设计、实现基于深度学习的语义分割网络，实现对土地利用类型的识别与分类；
3，选择适用的评价标准，实现对语义分割模型结果的定量分析；
3. 毕业设计（论文）完成任务的计划与安排
2019年12月，完成选题，搜集资料，撰写研究现状报告；
2020年1月-2月，设计毕业设计研究方案与技术路线；
2020年3月-4月，采集数据，设计并调试模型，完成实验的评价；
4. 主要参考文献
1.Shelhamer, E.; Long, J.; Darrell, T. Fully convolutional networks for semantic segmentation. IEEE Trans. Pattern Anal. Mach. Intell. 2017, 39, 640–651.2. Ronneberger, O.; Fischer, P.; Brox, T. U-Net: Convolutional networks for biomedical image segmentation. In Medical Image Computing and Computer-Assisted Intervention—MICCAI 2015; Navab, N., Hornegger, J., Wells, W.M., Frangi, A.F., Eds.; Springer International Publishing: Cham, Switzerland, 2015; Volume 9351, pp. 234–241.3. Huang, G.; Liu, Z.; van der Maaten, L.; Weinberger, K.Q. Densely connected convolutional networks. In Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 21–26 July 2017; pp. 2261–2269.4. Zhang, T.; Tang, H. A comprehensive evaluation of approaches for built-up area extraction from landsat oli images using massive samples. Remote Sens. 2019, 11, 2.5. Sun, G.; Huang, H.; Zhang, A.; Li, F.; Zhao, H.; Fu, H. Fusion of multiscale convolutional neural networks for building extraction in very high-resolution images. Remote Sens. 2019, 11, 227.6. Yang, H.; Wu, P.; Yao, X.; Wu, Y.; Wang, B.; Xu, Y. Building extraction in very high resolution imagery by dense-attention networks. Remote Sens. 2018, 10, 1768.
以上是毕业论文任务书，课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
