高分辩率遥感影像军用目标检测研究
| 摘要 | 第1-8页 |
| Abstract | 第8-10页 |
| 第一章 绪论 | 第10-18页 |
| ·引言 | 第10页 |
| ·研究的背景和意义 | 第10-14页 |
| ·高分辨率遥感影像及应用 | 第10-12页 |
| ·高分辨率遥感影像目标检测及其意义 | 第12-14页 |
| ·高分辨率遥感影像目标检测的研究现状和发展趋势 | 第14-16页 |
| ·高分辨率遥感影像目标检测技术的现状和问题 | 第14-15页 |
| ·遥感目标检测技术的发展趋势 | 第15-16页 |
| ·本文的研究内容及组织结构 | 第16-18页 |
| 第二章 统计学习理论和支持向量机 | 第18-31页 |
| ·序言 | 第18页 |
| ·统计学习理论 | 第18-23页 |
| ·机器学习问题的表示 | 第19-20页 |
| ·学习过程的一致性 | 第20-21页 |
| ·VC维和推广性的界 | 第21-22页 |
| ·结构风险最小化原则 | 第22-23页 |
| ·支持向量机 | 第23-30页 |
| ·最优分类面的构造 | 第24-26页 |
| ·广义最优分类面 | 第26-27页 |
| ·高维空间中的推广与 Mercer定理 | 第27-28页 |
| ·支持向量机 | 第28-30页 |
| ·支持向量机的特点 | 第30页 |
| ·本章小结 | 第30-31页 |
| 第三章 支持向量机的训练算法研究 | 第31-39页 |
| ·引言 | 第31页 |
| ·支持向量机的训练算法的发展 | 第31-36页 |
| ·几何方法 | 第32页 |
| ·代数方法 | 第32-34页 |
| ·序贯最小优化算法(SMO) | 第34-36页 |
| ·基于 K均值聚类的支持向量机迭代算法 | 第36-38页 |
| ·K均值聚类算法 | 第36-37页 |
| ·基于 K均值聚类的支持向量机迭代算法 | 第37-38页 |
| ·本章小结 | 第38-39页 |
| 第四章 多分类支持向量机 | 第39-47页 |
| ·引言 | 第39页 |
| ·常用的多类支持向量机分类算法 | 第39-42页 |
| ·1-a-R SVMs | 第39-40页 |
| ·1-a-1 SVMs | 第40-41页 |
| ·基于有向无环图的多分类支持向量机 | 第41-42页 |
| ·基于决策树的多分类支持向量机 | 第42-46页 |
| ·基于二叉决策树的多分类支持向量机 | 第42-43页 |
| ·结合无监督聚类的 SVM多分类决策树 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 第五章 遥感影像中感兴趣区域的快速定位及目标检测 | 第47-71页 |
| ·引言 | 第47页 |
| ·快速检测算法概述 | 第47-55页 |
| ·针对分类器的快速算法 | 第48-53页 |
| ·针对搜索策略的快速算法 | 第53-55页 |
| ·基于先验信息的感兴趣区域快速定位方法 | 第55-57页 |
| ·基于图像地理信息的区域快速定位 | 第56页 |
| ·基于地图先验信息的区域快速定位 | 第56-57页 |
| ·缺乏先验信息的感兴趣区域的快速定位及目标检测 | 第57-70页 |
| ·支持向量机的选择和设计 | 第57-58页 |
| ·分类检测系统的设计 | 第58-68页 |
| ·基于 SVM二叉决策树的飞机目标自动分类识别 | 第68-70页 |
| ·本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 参考文献 | 第73-76页 |
| 攻读硕士学位期间发表的论文 | 第76-77页 |
| 致谢 | 第77页 |
