| 摘要 | 第9-10页 |
| Abstract | 第10页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状及动态 | 第12-14页 |
| 1.3 现有问题及挑战 | 第14页 |
| 1.4 本文工作与创新点 | 第14-15页 |
| 1.5 论文组织结构 | 第15-17页 |
| 第二章 基于传统字袋模型的飞行器目标检测技术研究 | 第17-31页 |
| 2.1 数据集和评估方法介绍 | 第17-20页 |
| 2.1.1 数据集介绍 | 第17-19页 |
| 2.1.2 评估方法介绍 | 第19-20页 |
| 2.2 基于字袋模型的目标检测系统介绍 | 第20-26页 |
| 2.2.1 SIFT算法 | 第21-22页 |
| 2.2.2 k-Means算法 | 第22-24页 |
| 2.2.3 支持向量机介绍 | 第24-26页 |
| 2.3 实验及结果分析 | 第26-29页 |
| 2.3.1 字袋模型在遥感图像分类中的性能测试 | 第26-28页 |
| 2.3.2 字袋模型在遥感图像目标检测中的性能测试 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于深度卷积神经网络的飞行器目标检测技术研究 | 第31-50页 |
| 3.1 基于R-CNN的系统框架 | 第31-37页 |
| 3.1.1 深度学习概念 | 第31-33页 |
| 3.1.2 卷积神经网络介绍 | 第33-35页 |
| 3.1.3 Softmax分类算法 | 第35-37页 |
| 3.2 Proposal提取算法 | 第37-43页 |
| 3.2.1 Selective Search算法 | 第37-40页 |
| 3.2.2 Bing算法 | 第40-42页 |
| 3.2.3 Selective Search与Bing算法实验结果对比 | 第42-43页 |
| 3.3 基于先验知识的proposal预过滤 | 第43-45页 |
| 3.3.1 基于目标尺寸的先验知识 | 第43页 |
| 3.3.2 基于图像边缘信息的先验知识 | 第43-44页 |
| 3.3.3 基于候选框密度的先验知识 | 第44-45页 |
| 3.4 模型训练及实验结果分析 | 第45-49页 |
| 3.4.1 CNN训练过程 | 第45-46页 |
| 3.4.2 独立数据集测试及结果分析 | 第46-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于级联式卷积神经网络架构的飞行器目标检测技术研究 | 第50-72页 |
| 4.1 研究背景 | 第50-52页 |
| 4.2 级联式CNNs架构 | 第52-53页 |
| 4.3 图像金子塔滑窗 | 第53-55页 |
| 4.4 级联式CNNs结构剖析 | 第55-57页 |
| 4.5 Box-fusion算法 | 第57-61页 |
| 4.4.1 局部校准(Localbox-fusion calibration) | 第57-60页 |
| 4.4.2 全局校准(Globalbox-fusion calibration) | 第60页 |
| 4.4.3 去重(De-duplication) | 第60-61页 |
| 4.6 级联式CNNs训练与测试 | 第61-71页 |
| 4.5.1 Cascade CNNs逐级训练过程 | 第61-62页 |
| 4.5.2 独立数据集测试及实验结果分析 | 第62-71页 |
| 4.7 本章小结 | 第71-72页 |
| 第五章 总结和展望 | 第72-74页 |
| 5.1 本文主要研究成果 | 第72-73页 |
| 5.2 研究展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 作者在学期间取得的学术成果 | 第79页 |
