| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-22页 |
| 1.2.1 遥感图像目标检测方法分类 | 第18-19页 |
| 1.2.2 深度学习研究现状 | 第19-20页 |
| 1.2.3 光学遥感图像舰船检测研究现状 | 第20-22页 |
| 1.3 论文章节安排 | 第22-24页 |
| 第二章 光学遥感图像舰船检测的传统方法及实验分析 | 第24-36页 |
| 2.2 图像预处理 | 第24-27页 |
| 2.2.1 图像滤波 | 第24-25页 |
| 2.2.2 图像增强 | 第25-26页 |
| 2.2.3 海陆分割 | 第26-27页 |
| 2.3 候选区域提取 | 第27-28页 |
| 2.3.1 图像分析法 | 第27-28页 |
| 2.3.2 视觉显著性法 | 第28页 |
| 2.4 舰船目标确认 | 第28-31页 |
| 2.4.1 特征提取 | 第29-30页 |
| 2.4.2 分类决策 | 第30-31页 |
| 2.5 基于传统方法的实验与结果分析 | 第31-34页 |
| 2.6 本章小结 | 第34-36页 |
| 第三章 深度学习基础理论 | 第36-54页 |
| 3.1 深度学习概述 | 第36-40页 |
| 3.1.1 概念及发展历程 | 第36-37页 |
| 3.1.2 常用模型分类 | 第37-40页 |
| 3.2 卷积神经网络 | 第40-46页 |
| 3.2.1 CNN结构 | 第40-43页 |
| 3.2.2 正向传播 | 第43页 |
| 3.2.3 反向传播 | 第43-44页 |
| 3.2.4 核心策略 | 第44-46页 |
| 3.3 深度学习目标检测 | 第46-52页 |
| 3.3.1 两步检测器 | 第46-48页 |
| 3.3.2 单步检测器 | 第48-52页 |
| 3.4 本章小结 | 第52-54页 |
| 第四章 基于深度学习检测器的舰船目标检测 | 第54-70页 |
| 4.1 建立遥感图像数据集 | 第54-55页 |
| 4.2 搭建并训练SSD模型 | 第55-57页 |
| 4.3 初步实验结果分析 | 第57-60页 |
| 4.3.1 迁移学习与非迁移学习分析 | 第57-59页 |
| 4.3.2 检测结果分析 | 第59-60页 |
| 4.4 错误分析及方案改进 | 第60-61页 |
| 4.5 反卷积残差块SSD模型 | 第61-63页 |
| 4.5.2 反卷积 | 第62-63页 |
| 4.5.3 残差结构 | 第63页 |
| 4.6 改进的反向传播损失函数 | 第63-64页 |
| 4.7 训练检测器模型 | 第64-65页 |
| 4.8 改进实验结果分析 | 第65-67页 |
| 4.8.1 特征层数选择 | 第65页 |
| 4.8.2 反卷积残差结构与聚焦损失函数对检测结果的影响 | 第65-66页 |
| 4.8.3 检测结果分析 | 第66-67页 |
| 4.9 本章小结 | 第67-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 论文总结 | 第70页 |
| 5.2 后续工作展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77-78页 |
| 作者简介 | 第78-79页 |