| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 卷积神经网络的研究背景 | 第15页 |
| 1.2 SAR图像目标检测的研究背景 | 第15-16页 |
| 1.3 卷积神经网络应用于目标检测的研究现状 | 第16-17页 |
| 1.4 实验数据介绍及论文内容安排 | 第17-23页 |
| 1.4.1 Mini SAR实测数据集 | 第18页 |
| 1.4.2 MSTAR实测数据集 | 第18-20页 |
| 1.4.3 论文内容章节安排 | 第20-23页 |
| 第二章 SSD卷积神经网络 | 第23-35页 |
| 2.1 引言 | 第23页 |
| 2.2 卷积神经网络的基本特点 | 第23-24页 |
| 2.3 SSD卷积神经网络模型 | 第24-34页 |
| 2.3.1 卷积层 | 第26-28页 |
| 2.3.2 激活函数层 | 第28-29页 |
| 2.3.3 池化层 | 第29-31页 |
| 2.3.4 卷积预测器 | 第31-33页 |
| 2.3.5 损失函数 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于SSD的SAR图像目标检测算法 | 第35-51页 |
| 3.1 引言 | 第35-36页 |
| 3.2 算法思路介绍 | 第36-37页 |
| 3.3 网络结构框架 | 第37-46页 |
| 3.3.1 子孔径生成模块 | 第38-41页 |
| 3.3.2 数据扩充模块 | 第41-43页 |
| 3.3.3 SSD网络模块 | 第43-46页 |
| 3.4 实验结果 | 第46-50页 |
| 3.4.1 性能评价指标 | 第46-47页 |
| 3.4.2 数据扩充和迁移学习对检测性能的影响 | 第47-48页 |
| 3.4.3 与其他方法比较 | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于双流SSD的SAR目标检测与识别一体化算法 | 第51-71页 |
| 4.1 引言 | 第51-52页 |
| 4.2 算法思路介绍 | 第52-53页 |
| 4.3 数据合成 | 第53-56页 |
| 4.4 网络结构框架 | 第56-63页 |
| 4.4.1 数据扩充模块 | 第57-58页 |
| 4.4.2 显著图生成模块 | 第58-59页 |
| 4.4.3 双流SSD网络模块 | 第59-63页 |
| 4.5 实验结果 | 第63-69页 |
| 4.5.1 性能评价指标 | 第63-64页 |
| 4.5.2 数据扩充和迁移学习对双流SSD模型性能的影响 | 第64-66页 |
| 4.5.3 与其他方法比较 | 第66-69页 |
| 4.6 本章小结 | 第69-71页 |
| 第五章 结束语 | 第71-73页 |
| 5.1 本文工作总结 | 第71-72页 |
| 5.2 工作展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简介 | 第79-80页 |