基于卷积神经网络的SAR图像目标检测及分类方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-22页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 卷积神经网络算法的研究现状 | 第15-16页 |
| 1.2.1 卷积神经网络的图像分类方法研究进展 | 第15页 |
| 1.2.2 卷积神经网络的目标检测方法研究进展 | 第15-16页 |
| 1.3 实验数据介绍以及论文内容安排 | 第16-22页 |
| 1.3.1 MSTAR实验数据介绍 | 第16-19页 |
| 1.3.2 Mini SAR实验数据 | 第19-20页 |
| 1.3.3 论文研究内容的章节安排 | 第20-22页 |
| 第二章 卷积神经网络 | 第22-28页 |
| 2.1 神经网络基本概念 | 第22-23页 |
| 2.2 感知器简介 | 第23-24页 |
| 2.3 卷积神经网络简介 | 第24-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于卷积神经网络的SAR图像分类方法 | 第28-44页 |
| 3.1 引言 | 第28-29页 |
| 3.2 卷积神经网络的基本结构 | 第29-37页 |
| 3.2.1 卷积层 | 第29-30页 |
| 3.2.2 激活函数层 | 第30-31页 |
| 3.2.3 池化层 | 第31-32页 |
| 3.2.4 批规范化层 | 第32-33页 |
| 3.2.5 全连接层 | 第33页 |
| 3.2.6 权值随机丢弃 | 第33-34页 |
| 3.2.7 柔性最大值 | 第34-35页 |
| 3.2.8 误差函数 | 第35页 |
| 3.2.9 反向传播 | 第35-37页 |
| 3.3 实验与分析 | 第37-43页 |
| 3.3.1 数据扩充 | 第37-38页 |
| 3.3.2 分类模型介绍 | 第38-39页 |
| 3.3.3 实验结果以及分析 | 第39-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于卷积神经网络的SAR图像目标检测方法 | 第44-54页 |
| 4.1 引言 | 第44页 |
| 4.2 检测模型的辅助训练策略 | 第44-46页 |
| 4.2.1 参数初始化模型 | 第45页 |
| 4.2.2 检测数据扩充 | 第45-46页 |
| 4.3 切片选择模型和检测模型 | 第46-50页 |
| 4.3.1 切片选择模型 | 第46-48页 |
| 4.3.2 检测模型 | 第48-49页 |
| 4.3.3 循环训练法 | 第49-50页 |
| 4.4 实验结果和分析 | 第50-53页 |
| 4.4.1 数据及实验设置介绍 | 第50-51页 |
| 4.4.2 扩充数据对检测结果的影响 | 第51-52页 |
| 4.4.3 与双参数CFAR的比较 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 结束语 | 第54-56页 |
| 5.1 本文内容总结 | 第54-55页 |
| 5.2 工作展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 作者简介 | 第62-63页 |
