| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第14-32页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 研究目标的特性 | 第15-17页 |
| 1.3 研究现状 | 第17-26页 |
| 1.3.1 深度学习的研究进展与国内外研究现状 | 第17-23页 |
| 1.3.2 光学遥感图像中目标检测技术的研究现状 | 第23-26页 |
| 1.4 本文主要研究内容 | 第26-32页 |
| 1.4.1 本文的主要工作和创新点 | 第26-28页 |
| 1.4.2 章节安排 | 第28-32页 |
| 第2章 光学遥感目标检测中常用的卷积神经网络基础理论 | 第32-50页 |
| 2.1 引言 | 第32页 |
| 2.2 卷积神经网络的基本原理 | 第32-34页 |
| 2.3 深度卷积神经网络结构的发展 | 第34-41页 |
| 2.4 激活函数的研究 | 第41-46页 |
| 2.5 常用的训练技巧 | 第46-48页 |
| 2.6 本章小结 | 第48-50页 |
| 第3章 光学遥感目标检测中不同深度卷积神经网络的性能分析 | 第50-74页 |
| 3.1 引言 | 第50页 |
| 3.2 光学遥感图像中基于传统机器学习的目标检测技术 | 第50-52页 |
| 3.3 基于深度卷积神经网络的目标检测器 | 第52-58页 |
| 3.3.1 双阶段检测器 | 第52-56页 |
| 3.3.2 单阶段检测器 | 第56-58页 |
| 3.4 光学遥感图像中基于“微调”深度卷积神经网络的检测方法 | 第58-60页 |
| 3.5 子网卷积化 | 第60页 |
| 3.6 实验结果及分析 | 第60-71页 |
| 3.6.1 不同深度卷积神经网络性能的定性分析 | 第61-63页 |
| 3.6.2 不同深度卷积神经网络性能的定量分析 | 第63-70页 |
| 3.6.3 子网卷积化的实验分析 | 第70-71页 |
| 3.7 本章小结 | 第71-74页 |
| 第4章 光学遥感图像中轻型且高精度的目标检测方法 | 第74-102页 |
| 4.1 引言 | 第74-75页 |
| 4.2 基于“在线难例解析”的“难样本”特征增强方法 | 第75-77页 |
| 4.3 基于“空洞卷积”的感受野提高方法 | 第77-79页 |
| 4.4 基于多尺度特征结合的定位特征增强方法 | 第79-82页 |
| 4.5 网络模型轻型化设计 | 第82-84页 |
| 4.6 损失函数定义 | 第84-85页 |
| 4.7 实验结果及分析 | 第85-99页 |
| 4.7.1 飞机数据集上的精度和召回率分析 | 第86-89页 |
| 4.7.2 汽车数据集上的精度和召回率分析 | 第89-91页 |
| 4.7.3 网络模型轻型化分析 | 第91-94页 |
| 4.7.4 与其他基于深度卷积神经网络的方法进行性能比较 | 第94-99页 |
| 4.8 本章小结 | 第99-102页 |
| 第5章 全文总结与展望 | 第102-106页 |
| 5.1 全文工作总结 | 第102-103页 |
| 5.2 论文的主要创新点 | 第103-104页 |
| 5.3 后续工作展望 | 第104-106页 |
| 参考文献 | 第106-120页 |
| 致谢 | 第120-122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122页 |
