| 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15-21页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.2.1 传统目标检测研究现状 | 第16-18页 |
| 1.2.2 基于深度学习目标检测研究现状 | 第18-19页 |
| 1.3 论文的研究内容和结构安排 | 第19-20页 |
| 1.3.1 本文研究内容 | 第19-20页 |
| 1.3.2 论文结构安排 | 第20页 |
| 1.4 本章小结 | 第20-21页 |
| 第二章 图像目标检测基础理论 | 第21-35页 |
| 2.1 传统目标检测算法 | 第21-25页 |
| 2.1.1 目标定位 | 第21-22页 |
| 2.1.2 特征提取 | 第22-23页 |
| 2.1.3 分类器分类 | 第23-25页 |
| 2.2 基于深度学习的目标检测算法 | 第25-32页 |
| 2.2.1 卷积神经网络的原理 | 第25-28页 |
| 2.2.2 基于区域提名的深度学习目标检测框架 | 第28-30页 |
| 2.2.3 基于端到端的深度学习目标检测框架 | 第30-32页 |
| 2.3 检测结果评价方法 | 第32页 |
| 2.4 本章小结 | 第32-35页 |
| 第三章 基于词袋模型的遥感图像目标检测算法研究 | 第35-47页 |
| 3.1 词袋模型框架 | 第35-36页 |
| 3.2 词袋模型构建与训练过程 | 第36-40页 |
| 3.2.1 提取图像特征 | 第36-37页 |
| 3.2.2 构建词袋模型 | 第37-40页 |
| 3.2.3 分类器训练 | 第40页 |
| 3.3 基于词袋模型的Hough投票定位的目标检测 | 第40-42页 |
| 3.4 实验结果分析 | 第42-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 基于多尺度端到端的遥感图像目标检测算法研究 | 第47-69页 |
| 4.1 实验数据集 | 第47-48页 |
| 4.2 基于卷积神经网络的目标检测网络模型 | 第48-51页 |
| 4.2.1 目标检测网络模型 | 第48-50页 |
| 4.2.2 网络模型训练 | 第50-51页 |
| 4.3 基于多尺度端到端的目标检测模型 | 第51-54页 |
| 4.3.1 基于多尺度端到端的深度学习目标检测框架 | 第51-52页 |
| 4.3.2 目标检测结构设计 | 第52-54页 |
| 4.4 基于多尺度端到端的目标检测算法 | 第54-61页 |
| 4.4.1 网络训练检测过程 | 第54-58页 |
| 4.4.2 焦点损失函数 | 第58-60页 |
| 4.4.3 实验结果 | 第60-61页 |
| 4.5 实验结果分析 | 第61-67页 |
| 4.5.1 实验环境 | 第61-62页 |
| 4.5.2 实验结果对比分析 | 第62-67页 |
| 4.6 本章小结 | 第67-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 本文工作总结 | 第69页 |
| 5.2 工作展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 作者简介 | 第77-78页 |
