| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-30页 |
| 1.1 研究工作的背景和意义 | 第16-17页 |
| 1.2 图像目标检测研究现状 | 第17-19页 |
| 1.2.1 自然图像目标检测研究现状 | 第17-19页 |
| 1.2.2 SAR图像目标检测研究现状 | 第19页 |
| 1.3 图像目标分类研究现状 | 第19-20页 |
| 1.4 深度学习研究现状 | 第20-22页 |
| 1.5 SAR图像目标检测方法 | 第22-27页 |
| 1.6 SAR图像目标分类方法 | 第27-29页 |
| 1.7 本文主要研究内容和章节安排 | 第29-30页 |
| 第二章 基于CNN和选择性注意机制的SAR图像目标检测方法 | 第30-58页 |
| 2.1 引言 | 第30页 |
| 2.2 选择性注意机制 | 第30-32页 |
| 2.3 形态学处理 | 第32-35页 |
| 2.4 卷积神经网络基本理论 | 第35-36页 |
| 2.5 基于CNN和选择性注意机制的SAR图像目标检测方法 | 第36-42页 |
| 2.5.1 目标候选区的提取 | 第37-40页 |
| 2.5.2 分类网络模型 | 第40-41页 |
| 2.5.3 分类判断 | 第41页 |
| 2.5.4 非极大值抑制选择最终的定位框 | 第41-42页 |
| 2.6 本章实验的结果以及分析 | 第42-56页 |
| 2.6.1 实验数据和环境配置说明 | 第42-43页 |
| 2.6.2 评价准则 | 第43页 |
| 2.6.3 仿真实验结果分析 | 第43-56页 |
| 2.7 本章小结 | 第56-58页 |
| 第三章 基于多层特征SENet的SAR图像目标分类方法 | 第58-84页 |
| 3.1 引言 | 第58页 |
| 3.2 数据增强 | 第58-59页 |
| 3.3 SENet网络相关模块 | 第59-63页 |
| 3.3.1 Inception模块 | 第59-60页 |
| 3.3.2 批规范化 | 第60-61页 |
| 3.3.3 残差模块 | 第61页 |
| 3.3.4 Squeeze_and_excitation模块 | 第61-62页 |
| 3.3.5 全局平均池化 | 第62-63页 |
| 3.4 基于多层特征SENet的SAR图像目标分类方法 | 第63-65页 |
| 3.4.1 训练数据集的获取及扩充 | 第63页 |
| 3.4.2 分类网络模型 | 第63-65页 |
| 3.5 本章实验的结果以及分析 | 第65-83页 |
| 3.6 本章小结 | 第83-84页 |
| 第四章 基于NSCT_SENet及特征结合的SAR图像目标分类 | 第84-98页 |
| 4.1 引言 | 第84页 |
| 4.2 非下采样轮廓波原理介绍 | 第84-87页 |
| 4.2.1 轮廓波变换 | 第84-86页 |
| 4.2.2 非下采样轮廓波变换 | 第86-87页 |
| 4.3 特征结合 | 第87-88页 |
| 4.4 基于NSCT_SENet及特征结合的SAR图像目标分类 | 第88-89页 |
| 4.4.1 训练样本集的获取及扩充 | 第88页 |
| 4.4.2 分类网络模型 | 第88-89页 |
| 4.5 本章实验的结果以及分析 | 第89-97页 |
| 4.6 本章小结 | 第97-98页 |
| 第五章 总结与展望 | 第98-100页 |
| 5.1 本文的工作和总结 | 第98页 |
| 5.2 工作展望 | 第98-100页 |
| 参考文献 | 第100-104页 |
| 致谢 | 第104-106页 |
| 作者简介 | 第106-107页 |
