基于更新学习机制的SAR图像目标识别方法研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究工作的背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 SAR目标识别发展 | 第10-11页 |
| 1.2.2 更新学习方法研究现状 | 第11-13页 |
| 1.3 本文的主要贡献 | 第13-14页 |
| 1.4 本论文的结构安排 | 第14-15页 |
| 第二章 SAR图像目标识别方法研究 | 第15-31页 |
| 2.1 SAR图像特性分析 | 第15页 |
| 2.2 SAR图像特征提取 | 第15-16页 |
| 2.3 机器学习理论 | 第16-27页 |
| 2.3.1 监督学习 | 第16-26页 |
| 2.3.2 非监督学习 | 第26-27页 |
| 2.4 更新学习框架 | 第27-28页 |
| 2.5 MSTAR数据库 | 第28-29页 |
| 2.6 本章小结 | 第29-31页 |
| 第三章 基于SVM与CNN的SAR图像目标识别 | 第31-52页 |
| 3.1 基于SVM的SAR图像目标识别 | 第31-37页 |
| 3.1.1 支持向量机 | 第31-32页 |
| 3.1.2 支持向量机核函数 | 第32-33页 |
| 3.1.3 实验结果与分析 | 第33-37页 |
| 3.2 卷积神经网络 | 第37-41页 |
| 3.2.1 全连接层 | 第38页 |
| 3.2.2 卷积层 | 第38-39页 |
| 3.2.3 池化层 | 第39-40页 |
| 3.2.4 Dropout | 第40页 |
| 3.2.5 激活函数 | 第40页 |
| 3.2.6 损失函数 | 第40页 |
| 3.2.7 Softmax | 第40-41页 |
| 3.3 学习算法 | 第41-45页 |
| 3.3.1 正向传播 | 第41-42页 |
| 3.3.2 反向传播 | 第42-45页 |
| 3.3.3 微型批量梯度下降 | 第45页 |
| 3.4 实验内容 | 第45-51页 |
| 3.4.1 实验结果与分析 | 第47-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 基于CNN与SVM的更新学习机制研究 | 第52-64页 |
| 4.1 更新学习机制框架 | 第52-54页 |
| 4.1.1 卷积神经网络结构 | 第52-53页 |
| 4.1.2 辅助分类器 | 第53页 |
| 4.1.3 决策 | 第53-54页 |
| 4.2 实验内容 | 第54页 |
| 4.3 实验结果与分析 | 第54-63页 |
| 4.3.1 CNN自更新学习 | 第54-56页 |
| 4.3.2 CNN结合人为标签更新学习 | 第56-58页 |
| 4.3.3 CNN结合SVM更新学习 | 第58-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第五章 全文总结与展望 | 第64-66页 |
| 5.1 全文总结 | 第64页 |
| 5.2 后续工作展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 攻读硕士学位期间取得的成果 | 第72-73页 |
