| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 论文主要工作与创新 | 第14-15页 |
| 1.3.1 论文主要工作 | 第14页 |
| 1.3.2 论文的主要创新点 | 第14-15页 |
| 1.4 论文结构安排 | 第15-18页 |
| 第二章 相关技术及研究 | 第18-32页 |
| 2.1 目标检测相关技术 | 第18-23页 |
| 2.1.1 感兴趣区域提取 | 第18-19页 |
| 2.1.2 特征描述 | 第19-21页 |
| 2.1.3 判别算法 | 第21-23页 |
| 2.2 R-CNN网络框架 | 第23-25页 |
| 2.2.1 数据集 | 第23-24页 |
| 2.2.2 网络框架图片处理流程 | 第24-25页 |
| 2.3 Fast R-CNN网络框架 | 第25-28页 |
| 2.3.1 网络结构 | 第25-27页 |
| 2.3.2 性能提升 | 第27-28页 |
| 2.4 Faster R-CNN网络框架 | 第28-31页 |
| 2.4.1 区域推荐网络的结构 | 第28-29页 |
| 2.4.2 区域生成网络的训练 | 第29-30页 |
| 2.4.3 网络框架优势 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于R-FCN的全卷积网络结构优化研究 | 第32-44页 |
| 3.1 难点分析 | 第32-34页 |
| 3.2 基于R-FCN的空域图像目标检测算法 | 第34-40页 |
| 3.2.1 框架介绍 | 第34-36页 |
| 3.2.2 区域推荐与区域分类 | 第36-39页 |
| 3.2.3 非极大值抑制 | 第39-40页 |
| 3.3 实验结果对比与分析 | 第40-42页 |
| 3.3.1 R-FCN识别结果 | 第40-41页 |
| 3.3.2 基于ResNet-101对R-FCN与Faster R-CNN进行比较 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 基于PVANet的空域图像目标检测算法研究 | 第44-58页 |
| 4.1 PVANet框架介绍 | 第44-45页 |
| 4.2 PVANet网络设计的细节 | 第45-48页 |
| 4.2.1 C.ReLU:特征生成中的前期构建模块 | 第45-46页 |
| 4.2.2 Inception:特征生成中持续构建模块 | 第46-47页 |
| 4.2.3 HyperNet:多级中间输出层的连接 | 第47-48页 |
| 4.2.4 深度网络的训练 | 第48页 |
| 4.3 改进PVANet | 第48-54页 |
| 4.3.1 UberNet介绍 | 第48-50页 |
| 4.3.2 UberNet的基本架构 | 第50-53页 |
| 4.3.3 基于UberNet对PVANet进行优化 | 第53-54页 |
| 4.4 实验结果分析与对比 | 第54-57页 |
| 4.4.1 统计PVANet的正确率 | 第54-55页 |
| 4.4.2 PVANet识别结果 | 第55页 |
| 4.4.3 PVANet和R-CNN系列的网络框架对比结果 | 第55-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 工作总结与展望 | 第58-60页 |
| 5.1 论文总结 | 第58页 |
| 5.2 进一步研究与展望 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66-68页 |
| 攻读硕士学位期间发表论文 | 第68页 |
