基于深度学习的SAR图像目标检测识别一体化方法研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.3 论文主要工作及结构安排 | 第13-15页 |
| 第二章 SAR-ATR系统及机器学习算法简介 | 第15-34页 |
| 2.1 SAR图像模型及特征 | 第15-17页 |
| 2.1.1 SAR概述 | 第15-16页 |
| 2.1.2 SAR图像特征 | 第16-17页 |
| 2.2 SAR自动目标识别 | 第17-20页 |
| 2.2.1 SAR图像预处理 | 第18-19页 |
| 2.2.2 特征设计与提取 | 第19页 |
| 2.2.3 目标识别 | 第19-20页 |
| 2.3 机器学习算法简介 | 第20-29页 |
| 2.3.1 非监督学习 | 第20-25页 |
| 2.3.2 监督学习 | 第25-29页 |
| 2.4 实验结果及分析 | 第29-32页 |
| 2.4.1 数据集简介 | 第29-30页 |
| 2.4.2 实验内容 | 第30-31页 |
| 2.4.3 实验结果与分析 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 CNN及SAR一体化检测识别模型 | 第34-57页 |
| 3.1 卷积神经网络组成结构 | 第34-40页 |
| 3.1.1 卷积层 | 第35-37页 |
| 3.1.2 池化层 | 第37-38页 |
| 3.1.3 全连接层 | 第38-39页 |
| 3.1.4 RPN网络 | 第39-40页 |
| 3.2 卷积神经网络关键函数 | 第40-44页 |
| 3.2.1 激活函数 | 第40-42页 |
| 3.2.2 损失函数 | 第42-43页 |
| 3.2.3 分类函数 | 第43-44页 |
| 3.3 卷积神经网络训练方法 | 第44-47页 |
| 3.3.1 前向传播 | 第44页 |
| 3.3.2 反向传播 | 第44-45页 |
| 3.3.3 权值共享 | 第45-46页 |
| 3.3.4 过拟合问题 | 第46-47页 |
| 3.4 实验结果及分析 | 第47-55页 |
| 3.4.1 数据集制作 | 第47-48页 |
| 3.4.2 一体化模型训练参数设计 | 第48-51页 |
| 3.4.3 实验结果及分析 | 第51-55页 |
| 3.5 本章小结 | 第55-57页 |
| 第四章 大场景SAR目标一体化检测识别 | 第57-69页 |
| 4.1 大场景划分算法 | 第57-62页 |
| 4.2 邻域间非极大值抑制算法 | 第62-64页 |
| 4.3 实验结果及分析 | 第64-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 全文总结 | 第69-70页 |
| 5.2 工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 攻读硕士期间取得的研究成果 | 第78页 |
