| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.2 国内外研究进展 | 第11-13页 |
| 1.2.1 无人机图像处理 | 第11-12页 |
| 1.2.2 遥感图像分类识别 | 第12-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第2章 无人机遥感图像数据处理 | 第16-37页 |
| 2.1 数据获取 | 第17-19页 |
| 2.2 图像预处理 | 第19-22页 |
| 2.2.1 辐射精度评价 | 第19-20页 |
| 2.2.2 几何精度评价 | 第20-22页 |
| 2.3 无人机遥感图像配准 | 第22-28页 |
| 2.3.1 图像配准基本原理 | 第22页 |
| 2.3.2 图像配准方法 | 第22-26页 |
| 2.3.3 实验分析 | 第26-28页 |
| 2.4 无人机图像拼接 | 第28-36页 |
| 2.4.1 图像拼接技术的发展 | 第28页 |
| 2.4.2 基于homography的快速拼接 | 第28-34页 |
| 2.4.3 实验分析 | 第34-36页 |
| 2.5 本章小结 | 第36-37页 |
| 第3章 基于FASTERR-CNN的无人机遥感图像目标检测与识别 | 第37-50页 |
| 3.1 卷积神经网络 | 第37-39页 |
| 3.2 前向传播与反向传播 | 第39-43页 |
| 3.2.1 前向传播 | 第39-41页 |
| 3.2.2 反向传播 | 第41-43页 |
| 3.3 FASTERR-CNN模型 | 第43-45页 |
| 3.4 实验分析 | 第45-49页 |
| 3.4.1 实验配置及数据准备 | 第45-47页 |
| 3.4.2 模型训练 | 第47-48页 |
| 3.4.3 实验结果分析 | 第48-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第4章 基于YOLO的无人机遥感图像目标检测与识别 | 第50-64页 |
| 4.1 YOLO模型 | 第50-54页 |
| 4.2 实验配置及数据准备 | 第54-58页 |
| 4.2.1 Darknet框架 | 第54-55页 |
| 4.2.2 数据准备 | 第55-58页 |
| 4.3 改进YOLOV3网络模型 | 第58-62页 |
| 4.3.0 增加多尺度预测 | 第58-59页 |
| 4.3.1 激活函数的选择 | 第59-60页 |
| 4.3.2 dropout优化 | 第60-61页 |
| 4.3.3 正则化约束 | 第61-62页 |
| 4.4 实验结果与分析 | 第62-63页 |
| 4.5 本章小结 | 第63-64页 |
| 第5章 结论 | 第64-65页 |
| 5.1 总结 | 第64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-72页 |
| 硕士期间发表论文及科研情况 | 第72-73页 |
| 致谢 | 第73-74页 |