| 摘要 | 第7-9页 |
| abstract | 第9-10页 |
| 第1章 绪论 | 第14-23页 |
| 1.1 研究背景和意义 | 第14-15页 |
| 1.2 目标检测国内外研究现状 | 第15-19页 |
| 1.2.1 基于特征相似性度量的目标检测 | 第15-16页 |
| 1.2.2 基于浅层学习的目标检测 | 第16-17页 |
| 1.2.3 基于深度学习的目标检测 | 第17-19页 |
| 1.3 本文主要研究内容 | 第19-20页 |
| 1.4 本文的组织结构 | 第20-23页 |
| 第2章 基于深度卷积神经网络的目标检测相关算法介绍 | 第23-36页 |
| 2.1 深度卷积神经网络简介 | 第23-24页 |
| 2.2 基于深度卷积神经网络的目标检测相关算法 | 第24-30页 |
| 2.2.1 R-CNN目标检测模型 | 第24-26页 |
| 2.2.2 YOLO目标检测模型 | 第26-28页 |
| 2.2.3 RetinaNet目标检测模型 | 第28-30页 |
| 2.3 过拟合、梯度消失问题的常用解决方法 | 第30-35页 |
| 2.3.1 过拟合 | 第30-32页 |
| 2.3.2 梯度消失 | 第32-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第3章 基于YOLO的高分辨率遥感图像视感知目标检测算法 | 第36-47页 |
| 3.1 算法思路 | 第36-37页 |
| 3.2 算法设计 | 第37-42页 |
| 3.2.1 基于视觉注意机制的子区域提取 | 第37-38页 |
| 3.2.2 子区域目标检测网络 | 第38-40页 |
| 3.2.3 目标语义关联抑制 | 第40-42页 |
| 3.3 实验结果与分析 | 第42-46页 |
| 3.3.1 NWPU_VHR-10数据集[56]上检测结果对比分析 | 第43-44页 |
| 3.3.2 LUT_VHRVOC-2数据集上检测结果对比分析 | 第44-46页 |
| 3.4 本章小结 | 第46-47页 |
| 第4章 面向小样本集的深监督学习目标检测算法 | 第47-57页 |
| 4.1 算法思路 | 第47-48页 |
| 4.2 算法设计 | 第48-52页 |
| 4.2.1 复合样本生成器 | 第48-50页 |
| 4.2.2 深监督网络模型 | 第50-51页 |
| 4.2.3 语义关联检测 | 第51-52页 |
| 4.3 实验结果与分析 | 第52-56页 |
| 4.3.1 B3DO数据集[3]说明 | 第53页 |
| 4.3.2 目标检测对比实验 | 第53-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 目标检测在目标空间定位上的应用 | 第57-71页 |
| 5.1 应用模型设计 | 第57-64页 |
| 5.1.1 图像采集与目标检测网络模型集成 | 第58-61页 |
| 5.1.2 相机标定 | 第61-62页 |
| 5.1.3 目标尺寸测量 | 第62-63页 |
| 5.1.4 目标空间定位 | 第63-64页 |
| 5.2 实验与结果分析 | 第64-66页 |
| 5.2.1 深度图像去噪 | 第64页 |
| 5.2.2 目标尺寸测量与空间定位 | 第64-66页 |
| 5.3 微视目标感知与定位软件 | 第66-70页 |
| 5.3.1 软件与外设关系 | 第67页 |
| 5.3.2 微视目标感知与定位软件使用 | 第67-70页 |
| 5.4 本章小结 | 第70-71页 |
| 第6章 结论与展望 | 第71-73页 |
| 6.1 结论 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-80页 |
| 附录A 攻读学位期间所发表的学术论文 | 第80页 |
