| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 课题研究背景及意义 | 第14-15页 |
| 1.2 研究历史与现状 | 第15-17页 |
| 1.3 研究目标与主要内容 | 第17-18页 |
| 1.4 论文的组织与安排 | 第18-20页 |
| 第二章 传统的SAR图像目标检测方法 | 第20-28页 |
| 2.1 CFAR检测器介绍 | 第20-22页 |
| 2.2 各种CFAR检测器 | 第22-26页 |
| 2.2.1 CA-CFAR检测器 | 第22-23页 |
| 2.2.2 SO-CFAR与GO-CFAR检测器 | 第23-25页 |
| 2.2.3 双参数CFAR检测器 | 第25-26页 |
| 2.3 存在问题及发展趋势 | 第26-27页 |
| 2.3.1 存在问题 | 第26页 |
| 2.3.2 发展趋势 | 第26-27页 |
| 2.4 本章总结 | 第27-28页 |
| 第三章 卷积神经网络的检测与识别模型 | 第28-46页 |
| 3.1 卷积神经网络介绍 | 第28-33页 |
| 3.1.1 CNN的主要特点 | 第28-29页 |
| 3.1.2 CNN的学习过程 | 第29-33页 |
| 3.2 卷积神经网络的检测模型 | 第33-40页 |
| 3.2.1 R-CNN检测模型 | 第33-35页 |
| 3.2.2 Fast R-CNN模型介绍 | 第35-37页 |
| 3.2.3 Faster R-CNN模型介绍 | 第37-39页 |
| 3.2.4 Faster R-CNN检测结果 | 第39-40页 |
| 3.3 卷积神经网络的识别模型 | 第40-45页 |
| 3.3.1 Le Net网络 | 第40-42页 |
| 3.3.2 Alex Net网络 | 第42-43页 |
| 3.3.3 CNN识别模型在国际数据集上的识别结果 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于CNN的SAR图像目标检测与识别方法 | 第46-62页 |
| 4.1 针对SAR图像数据的CNN检测模型 | 第46-54页 |
| 4.1.1 总体检测流程 | 第46-47页 |
| 4.1.2 CNN检测模型训练阶段 | 第47-50页 |
| 4.1.3 CNN检测模型测试阶段 | 第50页 |
| 4.1.4 实验结果及分析 | 第50-54页 |
| 4.2 针对SAR图像数据的CNN识别模型 | 第54-56页 |
| 4.2.1 SAR图像数据扩充 | 第54-55页 |
| 4.2.2 CNN网络结构 | 第55-56页 |
| 4.3 数据扩充对CNN网络识别性能的影响 | 第56-59页 |
| 4.3.1 数据平移对CNN识别性能的影响 | 第57页 |
| 4.3.2 数据加噪对CNN识别性能的影响 | 第57-58页 |
| 4.3.3 姿态合成对CNN识别性能的影响 | 第58页 |
| 4.3.4 三种联合扩充方式对CNN识别性能的影响 | 第58-59页 |
| 4.4 实验环境 | 第59-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第五章 结束语 | 第62-66页 |
| 5.1 工作总结 | 第62-63页 |
| 5.2 工作展望 | 第63-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 作者简介 | 第72-73页 |