| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 目标检测研究现状 | 第16-18页 |
| 1.2.2 航拍车辆检测研究现状 | 第18-19页 |
| 1.3 论文研究内容及技术难点 | 第19-20页 |
| 1.3.1 研究内容 | 第19-20页 |
| 1.3.2 技术难点 | 第20页 |
| 1.4 论文组织结构 | 第20-23页 |
| 第二章 基于深度学习的航拍目标检测 | 第23-37页 |
| 2.1 目标检测经典算法 | 第23-28页 |
| 2.1.1 Two-Stage（两级）目标检测算法 | 第23-26页 |
| 2.1.2 Single-Shot（一次性）目标检测算法 | 第26-28页 |
| 2.2 目标检测关键问题 | 第28-33页 |
| 2.2.1 卷积神经网络实际感受域分析 | 第28-30页 |
| 2.2.2 设置合适的默认候选框 | 第30-31页 |
| 2.2.3 结合上下文信息 | 第31-33页 |
| 2.3 航拍车辆检测算法 | 第33-35页 |
| 2.3.1 基于Two-Stage目标检测算法的航拍车辆检测 | 第33-34页 |
| 2.3.2 基于Single-Shot目标检测算法的航拍车辆检测 | 第34-35页 |
| 2.4 本章小结 | 第35-37页 |
| 第三章 基于多尺度特征融合的航拍车辆检测算法 | 第37-59页 |
| 3.1 航拍车辆检测模型设计 | 第37-41页 |
| 3.1.1 特征提取网络 | 第37-38页 |
| 3.1.2 基本检测网络的搭建 | 第38-40页 |
| 3.1.3 针对航拍车辆目标的模型优化 | 第40-41页 |
| 3.2 默认候选框的设置 | 第41-46页 |
| 3.2.1 航拍数据集分布 | 第41-43页 |
| 3.2.2 实际感受域与区域候选框设置的关系 | 第43-46页 |
| 3.3 多尺度特征融合 | 第46-50页 |
| 3.3.1 特征金字塔 | 第46-48页 |
| 3.3.2 特征融合模块设计 | 第48-49页 |
| 3.3.3 特征融合原理分析 | 第49-50页 |
| 3.4 实验结果及分析 | 第50-56页 |
| 3.4.1 实验环境及数据集 | 第50-53页 |
| 3.4.2 训练过程 | 第53-55页 |
| 3.4.3 实验结果与分析 | 第55-56页 |
| 3.5 本章小结 | 第56-59页 |
| 第四章 航拍难易样本平衡策略 | 第59-73页 |
| 4.1 航拍难易样本不均衡问题 | 第59-62页 |
| 4.1.1 特征学习的难易程度不均衡 | 第59-61页 |
| 4.1.2 正样本各类别数量不均衡 | 第61-62页 |
| 4.2 基于多损失函数交替训练的样本平衡策略 | 第62-67页 |
| 4.2.1 交叉熵损失函数 | 第62-64页 |
| 4.2.2 焦点损失函数 | 第64-66页 |
| 4.2.3 多损失函数交替优化 | 第66-67页 |
| 4.3 实验结果及分析 | 第67-70页 |
| 4.3.1 焦点损失函数实验 | 第67-68页 |
| 4.3.2 多损失函数交替训练实验 | 第68-70页 |
| 4.4 本章小结 | 第70-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 工作总结 | 第73页 |
| 5.2 工作展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79-81页 |
| 作者简介 | 第81-82页 |
