| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第16-20页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 本文的主要工作和创新点 | 第17-18页 |
| 1.3 本文的结构安排 | 第18-20页 |
| 第二章 相关技术研究现状 | 第20-30页 |
| 2.1 舰船检测的发展现状 | 第20-21页 |
| 2.2 超像素分割技术介绍 | 第21-23页 |
| 2.3 深度学习的研究现状 | 第23-29页 |
| 2.3.1 深度置信网络 | 第24-26页 |
| 2.3.2 卷积神经网络 | 第26-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于规则的高分辨率遥感舰船检测 | 第30-42页 |
| 3.1 方法框架 | 第30-31页 |
| 3.2 算法描述 | 第31-37页 |
| 3.2.1 图像形态学 | 第31-32页 |
| 3.2.2 遥感图像配准融合 | 第32-34页 |
| 3.2.3 海岸线提取 | 第34-35页 |
| 3.2.4 目标增强与二值化 | 第35-37页 |
| 3.3 实验结果与分析 | 第37-40页 |
| 3.3.1 多源遥感图像配准融合 | 第38-39页 |
| 3.3.2 基于图形学的海岸线检测 | 第39页 |
| 3.3.3 目标检测结果 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第四章 基于支持向量机的舰船检测 | 第42-60页 |
| 4.1 方法框架 | 第42-44页 |
| 4.2 算法描述 | 第44-53页 |
| 4.2.1 HOG特征提取 | 第44-47页 |
| 4.2.2 线性支持向量机 | 第47-49页 |
| 4.2.3 SLIC超像素分割 | 第49-51页 |
| 4.2.4 基于边缘检测和直线检测的目标规范化 | 第51-53页 |
| 4.3 实验结果与分析 | 第53-58页 |
| 4.3.1 样本的获取 | 第54-55页 |
| 4.3.2 SVM参数选择 | 第55-56页 |
| 4.3.3 超像素块的大小敏感性分析 | 第56-57页 |
| 4.3.4 舰船检测结果 | 第57-58页 |
| 4.4 本章小结 | 第58-60页 |
| 第五章 基于Faster R-CNN的舰船检测 | 第60-74页 |
| 5.1 引言 | 第60页 |
| 5.2 算法描述 | 第60-66页 |
| 5.2.1 基于Faster R-CNN检测算法流程 | 第61-62页 |
| 5.2.2 Faster R-CNN模型 | 第62-66页 |
| 5.3 实验结果及分析 | 第66-72页 |
| 5.3.1 样本获取 | 第66-67页 |
| 5.3.2 基于Faster R-CNN的舰船检测检测结果 | 第67-70页 |
| 5.3.3 对比实验 | 第70-72页 |
| 5.4 本章小结 | 第72-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 论文总结 | 第74-75页 |
| 6.2 研究展望 | 第75-76页 |
| 参考文献 | 第76-82页 |
| 攻读硕士学位期间取得的研究成果 | 第82-84页 |
| 致谢 | 第84页 |