| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 课题的研究背景和意义 | 第10-11页 |
| 1.1.1 课题的研究背景 | 第10-11页 |
| 1.1.2 课题的研究内容 | 第11页 |
| 1.2 国内外研究现状 | 第11-19页 |
| 1.2.1 国内外无人机技术的相关研究 | 第12-15页 |
| 1.2.2 图像识别算法的相关技术 | 第15-17页 |
| 1.2.3 卷积神经网络的研究现状 | 第17-19页 |
| 1.3 论文的研究内容和组织结构 | 第19-21页 |
| 1.3.1 论文的研究内容 | 第19页 |
| 1.3.2 论文的组织结构 | 第19-21页 |
| 第二章 图像算法研究与应用 | 第21-34页 |
| 2.1 引言 | 第21页 |
| 2.2 数字图像处理 | 第21-27页 |
| 2.2.1 数字图像基础理论 | 第21-22页 |
| 2.2.2 图像处理算法 | 第22-27页 |
| 2.3 DOTA数据集与数据增强 | 第27-31页 |
| 2.3.1 DOTA数据集介绍 | 第27-30页 |
| 2.3.2 图像数据增强 | 第30-31页 |
| 2.4 图像特征提取 | 第31-33页 |
| 2.4.1 基本统计特征 | 第31-32页 |
| 2.4.2 特征降维 | 第32-33页 |
| 2.4.3 图像分类特征 | 第33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于卷积神经网络的目标检测 | 第34-49页 |
| 3.1 引言 | 第34页 |
| 3.2 卷积神经网络 | 第34-44页 |
| 3.2.1 卷积神经网络的结构 | 第34-40页 |
| 3.2.2 卷积神经网络的训练方法 | 第40-42页 |
| 3.2.3 防止过拟合技术 | 第42-44页 |
| 3.3 基于卷积神经网络的目标检测算法 | 第44-48页 |
| 3.3.1 R-CNN | 第44-46页 |
| 3.3.2 Spatial Pyramid Pooling Net | 第46-47页 |
| 3.3.3 Faster R-CNN | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第四章 基于改进Faster R-CNN的航拍图像目标检测 | 第49-60页 |
| 4.1 引言 | 第49页 |
| 4.2 基于Faster R-CNN算法设计与分析 | 第49-55页 |
| 4.2.1 Region Proposal Networks | 第50-52页 |
| 4.2.2 Fast R-CNN特征提取与RoIP | 第52-53页 |
| 4.2.3 Faster R-CNN 训练 | 第53页 |
| 4.2.4 基于Faster R-CNN的航拍图像分析 | 第53-55页 |
| 4.3 基于改进Faster R-CNN算法的目标检测 | 第55-59页 |
| 4.3.1 CNN提取层优化 | 第55-56页 |
| 4.3.2 RPN网络改进 | 第56-58页 |
| 4.3.3 OHEM算法模型嵌入 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 实验设计与结果分析 | 第60-68页 |
| 5.1 引言 | 第60页 |
| 5.2 实验设计与环境 | 第60-61页 |
| 5.2.1 实验环境 | 第60页 |
| 5.2.2 实验数据 | 第60-61页 |
| 5.2.3 实验流程设计 | 第61页 |
| 5.3 代码结构 | 第61-62页 |
| 5.4 实验结果与分析 | 第62-67页 |
| 5.4.1 基于VGG16的基础实验 | 第62-64页 |
| 5.4.2 基于ResNet-101的改进实验 | 第64-66页 |
| 5.4.3 基于优化RPN网络的改进实验 | 第66页 |
| 5.4.4 基于OHEM算法嵌入的改进实验 | 第66-67页 |
| 5.5 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 课题总结 | 第68页 |
| 6.2 未来展望 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 致谢 | 第73页 |
