基于高空侦察图像的机场识别研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景及选题意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 机场识别研究现状 | 第9-12页 |
| 1.2.2 深度学习研究现状 | 第12-14页 |
| 1.3 研究内容及方法 | 第14-16页 |
| 2 卷积神经网络 | 第16-32页 |
| 2.1 卷积神经网络概述 | 第16-21页 |
| 2.1.1 网络层 | 第16-19页 |
| 2.1.2 非线性激活函数 | 第19-21页 |
| 2.2 经典结构模型 | 第21-28页 |
| 2.3 迁移学习 | 第28-30页 |
| 2.4 小结 | 第30-32页 |
| 3 基于卷积神经网络的机场识别 | 第32-52页 |
| 3.1 算法概述 | 第32-34页 |
| 3.2 机场数据增强 | 第34-35页 |
| 3.3 算法实现过程 | 第35-46页 |
| 3.3.1 前向过程 | 第36-43页 |
| 3.3.2 反向过程 | 第43-44页 |
| 3.3.3 动量梯度下降法 | 第44-46页 |
| 3.4 实验过程与结果分析 | 第46-50页 |
| 3.4.1 实验过程 | 第46-47页 |
| 3.4.2 实验结果及分析 | 第47-50页 |
| 3.5 小结 | 第50-52页 |
| 4 基于融合特征的机场识别 | 第52-72页 |
| 4.1 人工纹理特征 | 第53-56页 |
| 4.1.1 灰度共生矩阵 | 第54-55页 |
| 4.1.2 纹理特征 | 第55-56页 |
| 4.1.3 主成分分析法 | 第56页 |
| 4.2 支持向量机 | 第56-63页 |
| 4.2.1 相关理论 | 第56-62页 |
| 4.2.2 损失函数 | 第62页 |
| 4.2.3 SVM的应用 | 第62-63页 |
| 4.3 实验及结果分析 | 第63-70页 |
| 4.3.1 特征融合 | 第63-65页 |
| 4.3.2 SVM参数选择 | 第65页 |
| 4.3.3 实验结果及分析 | 第65-69页 |
| 4.3.4 对比与分析 | 第69-70页 |
| 4.4 小结 | 第70-72页 |
| 5 总结与展望 | 第72-74页 |
| 5.1 总结 | 第72-73页 |
| 5.2 展望 | 第73-74页 |
| 参考文献 | 第74-80页 |
| 附录 | 第80-86页 |
| 致谢 | 第86页 |
