| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 目标检测研究的背景及意义 | 第14-19页 |
| 1.1.1 目标检测技术发展背景 | 第14-15页 |
| 1.1.2 目标检测技术的应用 | 第15-17页 |
| 1.1.3 目标识别与检测技术难点 | 第17-19页 |
| 1.2 目标检测国内外研究现状 | 第19-24页 |
| 1.2.1 目标识别与检测技术分类 | 第19-20页 |
| 1.2.2 基于深度学习的目标检测技术研究现状 | 第20-23页 |
| 1.2.3 基于深度学习的地面目标检测技术研究现状 | 第23-24页 |
| 1.3 本文主要的研究目的及内容 | 第24页 |
| 1.4 本文组织结构 | 第24-25页 |
| 1.5 本章小结 | 第25-26页 |
| 第2章 基于深度卷积神经网络的目标检测基本原理 | 第26-38页 |
| 2.1 深度学习基本原理 | 第26-28页 |
| 2.1.1 正则化处理 | 第26-27页 |
| 2.1.2 批处理化原理 | 第27-28页 |
| 2.1.3 随机梯度下降算法 | 第28页 |
| 2.2 卷积神经网络原理 | 第28-33页 |
| 2.2.1 卷积运算 | 第29页 |
| 2.2.2 卷积神经网络结构 | 第29-32页 |
| 2.2.3 反向传播算法与模型训练 | 第32-33页 |
| 2.3 基于卷积神经网络的目标检测算法 | 第33-37页 |
| 2.3.1 Fast R-CNN目标检测算法 | 第34-35页 |
| 2.3.2 Faster R-CNN目标检测算法 | 第35页 |
| 2.3.3 SSD目标检测算法 | 第35-36页 |
| 2.3.4 FPN目标检测算法 | 第36-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第3章 基于特征融合的语义增强网络设计 | 第38-54页 |
| 3.1 基于深度学习的对地目标检测框架 | 第38页 |
| 3.2 语义增强对地面目标检测的必要性 | 第38-45页 |
| 3.2.1 地面目标特征图尺寸特点 | 第40-41页 |
| 3.2.2 航拍图像语义信息特点 | 第41-44页 |
| 3.2.3 语义增强对地面目标定位的必要性 | 第44-45页 |
| 3.3 地面目标特征提取网络结构设计 | 第45-47页 |
| 3.4 融合特征层选择 | 第47-50页 |
| 3.5 语义增强融合子网络结构设计 | 第50-53页 |
| 3.5.1 语义增强融合子网络结构 | 第50页 |
| 3.5.2 融合特征层降维处理 | 第50-51页 |
| 3.5.3 特征层双线性插值 | 第51-53页 |
| 3.6 本章小结 | 第53-54页 |
| 第4章 基于扩展预测网络的地面目标检测模型 | 第54-66页 |
| 4.1 扩展预测子网络设计 | 第54-59页 |
| 4.1.1 扩展预测子网络结构 | 第54-57页 |
| 4.1.2 模型预测网络结构对比 | 第57-59页 |
| 4.2 预测层边界框设计 | 第59-62页 |
| 4.3 地面目标检测模型及优化策略 | 第62-65页 |
| 4.3.1 批标准化加速模型收敛 | 第62-63页 |
| 4.3.2 对地目标检测模型的正则化 | 第63-64页 |
| 4.3.3 模型损失函数优化 | 第64-65页 |
| 4.4 本章小结 | 第65-66页 |
| 第5章 目标检测模型实验对比与分析 | 第66-80页 |
| 5.1 地面目标检测模型训练 | 第66-67页 |
| 5.2 实验数据集 | 第67-69页 |
| 5.2.1 VEDAI车辆小目标数据集 | 第68页 |
| 5.2.2 NWPU航天遥感数据集 | 第68-69页 |
| 5.3 检测模型评价指标 | 第69-71页 |
| 5.4 不同数据集对比实验 | 第71-78页 |
| 5.5 本章小结 | 第78-80页 |
| 第6章 总结与展望 | 第80-82页 |
| 6.1 本文工作总结 | 第80-81页 |
| 6.2 未来展望 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-88页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第88页 |