| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 研究背景 | 第13-16页 |
| 1.1.1 研究意义 | 第13-14页 |
| 1.1.2 研究难点 | 第14-16页 |
| 1.2 舰船目标检测的国内外研究现状 | 第16-17页 |
| 1.3 深度学习的国内外研究现状 | 第17-19页 |
| 1.3.1 Two-stage的目标检测方法 | 第17-19页 |
| 1.3.2 One-stage的目标检测方法 | 第19页 |
| 1.4 本文主要贡献和结构安排 | 第19-22页 |
| 1.4.1 本文主要贡献 | 第19-20页 |
| 1.4.2 本文结构安排 | 第20-22页 |
| 第二章 卷积神经网络的理论基础 | 第22-30页 |
| 2.1 卷积层 | 第22-27页 |
| 2.1.1 常规卷积 | 第22-24页 |
| 2.1.2 可变形卷积 | 第24-26页 |
| 2.1.3 空洞卷积 | 第26-27页 |
| 2.2 池化层 | 第27-28页 |
| 2.3 全连接层 | 第28-29页 |
| 2.4 本章总结 | 第29-30页 |
| 第三章 基于Deformable Faster R-CNN的舰船检测 | 第30-61页 |
| 3.1 Deformable Faster R-CNN的检测流程 | 第30-31页 |
| 3.2 Deformable Faster R-CNN网络结构 | 第31-40页 |
| 3.2.1 基础网络 | 第32-34页 |
| 3.2.2 锚点 | 第34-36页 |
| 3.2.3 区域建议网络 | 第36-38页 |
| 3.2.4 可变形感兴趣区域池化 | 第38-39页 |
| 3.2.5 Fast R-CNN | 第39-40页 |
| 3.3 Deformable Faster R-CNN的训练 | 第40-44页 |
| 3.3.1 RPN的训练 | 第40-43页 |
| 3.3.2 Fast R-CNN的训练 | 第43-44页 |
| 3.4 分数衰减的非极大值抑制算法 | 第44-48页 |
| 3.5 舰船数据库建设 | 第48-52页 |
| 3.5.1 漏标问题 | 第49-50页 |
| 3.5.2 空标及重复标注问题 | 第50页 |
| 3.5.3 其他问题 | 第50-52页 |
| 3.6 实验结果 | 第52-60页 |
| 3.6.1 实验环境 | 第52页 |
| 3.6.2 评价指标 | 第52-54页 |
| 3.6.3 Deformable/Dilated Conv和Deformable RoI Pooling对性能的影响 | 第54-55页 |
| 3.6.4 不同训练和测试尺度对性能的影响 | 第55-56页 |
| 3.6.5 在线难样本挖掘和Focal Loss对性能的影响 | 第56-57页 |
| 3.6.6 传统NMS和Decay-NMS对性能的影响 | 第57页 |
| 3.6.7 本章Deformable Faster R-CNN算法的最终结果 | 第57-60页 |
| 3.7 本章总结 | 第60-61页 |
| 第四 基于Deformable R-FCN的舰船检测 | 第61-77页 |
| 4.1 Deformable R-FCN的网络结构 | 第61-67页 |
| 4.1.1 Deformable R-FCN的基础网络 | 第61-62页 |
| 4.1.2 基于位置信息敏感的概率图 | 第62-63页 |
| 4.1.3 基于位置信息敏感的Deformable RoI Pooling | 第63-66页 |
| 4.1.4 基于位置信息敏感的边框回归 | 第66-67页 |
| 4.2 Deformable R-FCN的训练 | 第67-71页 |
| 4.2.1 R-FCN的损失函数和在线难样本挖掘 | 第67-68页 |
| 4.2.2 Focal Loss | 第68-71页 |
| 4.3 实验结果 | 第71-76页 |
| 4.3.1 Deformable/Dilated Conv和Deformable PSRoI Pooling的性能影响 | 第71-72页 |
| 4.3.2 在线难样本挖掘和Focal Loss对性能的影响 | 第72-73页 |
| 4.3.3 传统NMS和Decay-NMS对性能的影响 | 第73-74页 |
| 4.3.4 本章Deformable R-FCN算法的最终结果 | 第74-76页 |
| 4.4 本章总结 | 第76-77页 |
| 第五章 基于Deformable FPN的舰船检测 | 第77-91页 |
| 5.1 Deformable FPN的网络结构 | 第77-80页 |
| 5.1.1 自下而上的路径 | 第78-79页 |
| 5.1.2 自上而下的路径与横向连接 | 第79-80页 |
| 5.2 将Deformable FPN应用到RPN | 第80-82页 |
| 5.3 将Deformable FPN应用到Fast R-CNN | 第82-83页 |
| 5.4 实验结果 | 第83-90页 |
| 5.4.1 Deformable/Dilated Conv和Deformable RoI Pooling的性能影响 | 第83-84页 |
| 5.4.2 在线难样本挖掘和Focal Loss对性能的影响 | 第84-85页 |
| 5.4.3 传统NMS和Decay-NMS对性能的影响 | 第85页 |
| 5.4.4 本章Deformable FPN算法的最终结果 | 第85-88页 |
| 5.4.5 本文三种检测框架的对比 | 第88-90页 |
| 5.5 本章总结 | 第90-91页 |
| 第六章 总结与展望 | 第91-93页 |
| 6.1 本文总结 | 第91页 |
| 6.2 未来工作展望 | 第91-93页 |
| 参考文献 | 第93-97页 |
| 硕士期间参与的科研项目与研究成果 | 第97-98页 |
| 致谢 | 第98页 |
