| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 引言 | 第10-11页 |
| 1.2 论文的研究内容及意义 | 第11-12页 |
| 1.3 舰船目标检测与识别研究现状 | 第12-16页 |
| 1.4 本文研究内容和章节安排 | 第16-18页 |
| 第2章 基于深度学习的目标检测与识别概述 | 第18-27页 |
| 2.1 引言 | 第18页 |
| 2.2 卷积神经网络原理 | 第18-22页 |
| 2.2.1 卷积层 | 第18-19页 |
| 2.2.2 池化层 | 第19-20页 |
| 2.2.3 激活函数层 | 第20-21页 |
| 2.2.4 全连接层 | 第21页 |
| 2.2.5 分类器与损失函数 | 第21-22页 |
| 2.3 常见的卷积神经网络 | 第22-25页 |
| 2.4 反向传播算法 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 基于FASTERR-CNN算法的舰船目标检测与识别 | 第27-43页 |
| 3.1 引言 | 第27页 |
| 3.2 基于CNN的目标检测算法 | 第27-31页 |
| 3.2.1 R-CNN算法的原理介绍 | 第27-28页 |
| 3.2.2 SPP-Net网络的原理介绍 | 第28-29页 |
| 3.2.3 FastR-CNN算法的原理介绍 | 第29-31页 |
| 3.3 FASTERR-CNN原理简介 | 第31-37页 |
| 3.3.1 特征提取网络 | 第31-32页 |
| 3.3.2 区域建议网络 | 第32-36页 |
| 3.3.3 分类 | 第36页 |
| 3.3.4 非极大值抑制 | 第36-37页 |
| 3.4 FASTERR-CNN算法的训练 | 第37-41页 |
| 3.4.1 区域建议网络训练 | 第37-38页 |
| 3.4.2 FasterR-CNN算法的训练及结果分析 | 第38-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 基于SSD算法的舰船目标检测与识别 | 第43-53页 |
| 4.1 引言 | 第43页 |
| 4.2 SSD算法原理简介 | 第43-48页 |
| 4.2.1 SSD算法的框架结构 | 第44-46页 |
| 4.2.2 缺省检测框的尺寸设置 | 第46-47页 |
| 4.2.3 卷积的后续处理 | 第47-48页 |
| 4.3 SSD算法训练 | 第48-51页 |
| 4.3.1 正负样本的获得 | 第48-49页 |
| 4.3.2 数据增广 | 第49页 |
| 4.3.3 损失函数 | 第49-50页 |
| 4.3.4 SSD算法的训练与结果分析 | 第50-51页 |
| 4.4 本章小结 | 第51-53页 |
| 第5章 实验测试与分析 | 第53-61页 |
| 5.1 引言 | 第53页 |
| 5.2 目标检测评估参数MAP介绍 | 第53-54页 |
| 5.3 FASTERR-CNN算法的测试结果 | 第54-55页 |
| 5.4 SSD算法的测试结果 | 第55-57页 |
| 5.5 不同数据集测试结果 | 第57-58页 |
| 5.5.1 不同种类舰船的测试结果 | 第57页 |
| 5.5.2 不同大小舰船目标的检测结果 | 第57-58页 |
| 5.6 测试结果分析 | 第58-60页 |
| 5.7 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的文章和取得的科研成果 | 第67-68页 |
| 致谢 | 第68页 |