| 摘要 | 第4-7页 |
| Abstract | 第7-10页 |
| 第一章 绪论 | 第14-34页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-30页 |
| 1.2.1 中尺度涡观测技术发展现状 | 第16-23页 |
| 1.2.2 中尺度涡自动识别研究现状 | 第23-27页 |
| 1.2.3 深度学习在图像识别中的研究现状 | 第27-29页 |
| 1.2.4 研究问题 | 第29-30页 |
| 1.3 研究目标与内容 | 第30-31页 |
| 1.3.1 研究目标 | 第30页 |
| 1.3.2 研究内容 | 第30-31页 |
| 1.4 论文结构和章节安排 | 第31-34页 |
| 第二章 基于SAR影像的中尺度涡训练数据集构建 | 第34-45页 |
| 2.1 SAR影像特征分析 | 第34-37页 |
| 2.1.1 SAR观测中尺度涡的机制 | 第34-36页 |
| 2.1.2 SAR影像特征 | 第36-37页 |
| 2.2 中尺度涡训练数据集构建 | 第37-41页 |
| 2.2.1 研究使用的数据 | 第37-39页 |
| 2.2.2 SAR影像数据处理 | 第39-41页 |
| 2.3 数据扩充 | 第41-44页 |
| 2.3.1 平移变换 | 第41-42页 |
| 2.3.2 旋转变换 | 第42-43页 |
| 2.3.3 斑点噪声变换 | 第43-44页 |
| 2.4 本章小结 | 第44-45页 |
| 第三章 基于特征学习的中尺度涡自动识别模型 | 第45-62页 |
| 3.1 问题分析 | 第45-51页 |
| 3.1.1 基于卷积神经网络的特征学习 | 第46-51页 |
| 3.1.2 现有特征学习方法的局限性 | 第51页 |
| 3.2 DeepEddy基于特征学习的中尺度涡识别模型 | 第51-57页 |
| 3.2.1 DeepEddy中尺度涡自动识别模型 | 第52-53页 |
| 3.2.2 基于主成分分析的滤波器学习 | 第53-56页 |
| 3.2.3 哈希编码和块直方图变换 | 第56-57页 |
| 3.3 实验与分析 | 第57-61页 |
| 3.3.1 实验环境与设计 | 第57页 |
| 3.3.2 实验结果与分析 | 第57-61页 |
| 3.4 本章小结 | 第61-62页 |
| 第四章 形态和尺度鲁棒的中尺度涡自动识别模型 | 第62-76页 |
| 4.1 问题分析 | 第62-65页 |
| 4.1.1 基于空间金字塔匹配模型的特征表达 | 第63-64页 |
| 4.1.2 传统空间金字塔模型的局限性 | 第64-65页 |
| 4.2 DeepEddy~+形态和尺度鲁棒的中尺度涡自动识别模型 | 第65-68页 |
| 4.2.1 基于SPP的多尺度空间特征学习 | 第65-66页 |
| 4.2.2 DeepEddy~+中尺度涡自动识别模型 | 第66-68页 |
| 4.3 实验与分析 | 第68-74页 |
| 4.3.1 实验环境与设计 | 第68页 |
| 4.3.2 实验结果与分析 | 第68-74页 |
| 4.4 本章小结 | 第74-76页 |
| 第五章 中尺度涡自动识别模型的实证分析 | 第76-94页 |
| 5.1 研究海域概况 | 第76-78页 |
| 5.2 研究海域中尺度涡研究现状 | 第78-79页 |
| 5.3 中尺度涡自动识别的实证分析 | 第79-87页 |
| 5.3.1 基于SAR影像自动识别的中尺度涡 | 第79-82页 |
| 5.3.2 基于SAR影像和SSH遥感数据识别的中尺度涡对比分析 | 第82-87页 |
| 5.4 中尺度涡与渔场时空动态变化分析 | 第87-92页 |
| 5.4.1 中尺度涡对海洋环境要素的影响 | 第87-88页 |
| 5.4.2 中尺度涡在渔场识别中的应用分析 | 第88-92页 |
| 5.5 本章小结 | 第92-94页 |
| 第六章 结论与展望 | 第94-97页 |
| 6.1 研究结论 | 第94-95页 |
| 6.2 工作展望 | 第95-97页 |
| 参考文献 | 第97-112页 |
| 作者简历 | 第112-116页 |
| 致谢 | 第116-117页 |
