| 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16-20页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-18页 |
| 1.3 论文章节安排 | 第18-20页 |
| 第二章 卷积神经网络 | 第20-34页 |
| 2.1 CNN的基本结构原理 | 第20-26页 |
| 2.1.1 卷积层 | 第20-21页 |
| 2.1.2 激励层 | 第21-24页 |
| 2.1.3 池化层 | 第24-25页 |
| 2.1.4 Dropout | 第25-26页 |
| 2.2 网络训练方法总结 | 第26-30页 |
| 2.3 损失函数总结 | 第30-34页 |
| 第三章 基于稀疏低秩字典下联合稀疏逼近的图像去噪方法 | 第34-47页 |
| 3.1 引言 | 第34页 |
| 3.2 基于稀疏低秩字典下联合稀疏逼近的图像去噪方法 | 第34-39页 |
| 3.2.1 快速鲁棒PCA | 第35-36页 |
| 3.2.2 稀疏低秩字典下联合稀疏逼近方法 | 第36-37页 |
| 3.2.3 去噪算法 | 第37-39页 |
| 3.3 实验结果及分析 | 第39-45页 |
| 3.3.1 去噪结果 | 第40-44页 |
| 3.3.2 对比实验 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 基于迁移CNN的MRI图像中静脉血管检测与分割方法 | 第47-63页 |
| 4.1 引言 | 第47-48页 |
| 4.2 迁移学习 | 第48-49页 |
| 4.3 基于迁移CNN的MRI图像中静脉血管检测与分割方法 | 第49-54页 |
| 4.3.1 迁移成对卷积神经网络 | 第49-51页 |
| 4.3.2 距离和轮廓正则的水平集模型 | 第51-52页 |
| 4.3.3 静脉血管检测与分割算法 | 第52-54页 |
| 4.4 实验结果及分析 | 第54-61页 |
| 4.4.1 分割结果及对比实验 | 第54-61页 |
| 4.5 本章小结 | 第61-63页 |
| 第五章 基于三维空洞CNN的SAR图像舰船检测与分割方法 | 第63-76页 |
| 5.1 引言 | 第63-64页 |
| 5.2 全局恒虚警率检测方法 | 第64页 |
| 5.3 基于三维空洞CNN的SAR图像舰船检测与分割方法 | 第64-68页 |
| 5.3.1 基于多尺度特征的三维图像块 | 第65-66页 |
| 5.3.2 三维空洞卷积神经网络 | 第66-68页 |
| 5.4 实验结果及分析 | 第68-74页 |
| 5.4.1 实验数据 | 第68-69页 |
| 5.4.2 分割结果及对比实验 | 第69-74页 |
| 5.5 本章小结 | 第74-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 作者简介 | 第84-85页 |
