基于深度学习的SAR图像目标识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 SAR图像目标识别研究现状 | 第11-12页 |
| 1.3 深度学习研究现状 | 第12-15页 |
| 1.4 本文工作及内容安排 | 第15-17页 |
| 第二章 SAR图像目标识别框架与深度学习 | 第17-31页 |
| 2.1 SAR图像目标识别框架 | 第17-24页 |
| 2.1.1 图像预处理 | 第17-20页 |
| 2.1.1.1 图像去噪 | 第17-19页 |
| 2.1.1.2 图像增强 | 第19-20页 |
| 2.1.2 图像特征提取 | 第20-21页 |
| 2.1.3 识别与分类 | 第21-24页 |
| 2.1.3.1 无监督分类 | 第21-23页 |
| 2.1.3.2 有监督分类 | 第23-24页 |
| 2.2 深度学习理论 | 第24-28页 |
| 2.2.1 深度前馈网络 | 第25-26页 |
| 2.2.2 基于梯度的学习 | 第26-27页 |
| 2.2.3 卷积神经网络 | 第27-28页 |
| 2.3 MSTAR数据集 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 改进的基于卷积神经网络SAR图像目标识别 | 第31-44页 |
| 3.1 引言 | 第31-32页 |
| 3.2 数据增强 | 第32-33页 |
| 3.3 基于多尺度卷积模块的卷积神经网络 | 第33-37页 |
| 3.3.1 卷积层 | 第33-34页 |
| 3.3.2 池化层 | 第34-35页 |
| 3.3.3 多尺度卷积层 | 第35-36页 |
| 3.3.4 卷积和全局均值池化层 | 第36-37页 |
| 3.4 算法流程 | 第37-38页 |
| 3.5 实验结果与分析 | 第38-42页 |
| 3.5.1 卷积神经网络框架配置与数据分布 | 第39-40页 |
| 3.5.2 十类目标分类结果分析 | 第40-42页 |
| 3.6 本章小结 | 第42-44页 |
| 第四章 基于迁移学习的卷积神经网络目标识别框架 | 第44-56页 |
| 4.1 引言 | 第44页 |
| 4.2 迁移学习和监督预训练 | 第44-47页 |
| 4.2.1 迁移学习 | 第44-45页 |
| 4.2.2 监督预训练 | 第45-47页 |
| 4.3 卷积神经网络结构 | 第47页 |
| 4.4 过拟合、欠拟合和正则化 | 第47-50页 |
| 4.4.1 过拟合和欠拟合 | 第47-49页 |
| 4.4.2 正则化 | 第49-50页 |
| 4.5 算法流程 | 第50-51页 |
| 4.6 实验结果与分析 | 第51-54页 |
| 4.7 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 附录A (攻读硕士学位期间发表论文目录) | 第63-64页 |
| 附录B (攻读硕士学位期间参与项目) | 第64页 |
