基于深度学习的红外图像飞机目标检测方法
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-14页 |
| 缩略语对照表 | 第14-17页 |
| 第一章 绪论 | 第17-25页 |
| 1.1 课题研究背景和意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-20页 |
| 1.2.1 红外成像制导技术研究现状 | 第18页 |
| 1.2.2 红外图像目标检测研究现状 | 第18-20页 |
| 1.3 本文工作主要内容及创新点 | 第20-22页 |
| 1.4 本文章节构成 | 第22-25页 |
| 第二章 神经网络与机器学习 | 第25-43页 |
| 2.1 人工神经网络 | 第25-31页 |
| 2.1.1 人工神经元 | 第25-27页 |
| 2.1.2 激活函数 | 第27-30页 |
| 2.1.3 人工神经网络 | 第30-31页 |
| 2.2 卷积神经网络 | 第31-35页 |
| 2.2.1 图像卷积 | 第32-33页 |
| 2.2.2 局部感知、权值共享与多核卷积 | 第33-34页 |
| 2.2.3 池化(Pooling) | 第34-35页 |
| 2.3 机器学习 | 第35-41页 |
| 2.3.1 监督学习 | 第35页 |
| 2.3.2 类别采样损失函数 | 第35-37页 |
| 2.3.3 目标函数优化策略 | 第37-38页 |
| 2.3.4 反向传播算法 | 第38-41页 |
| 2.4 本章小结 | 第41-43页 |
| 第三章 基于RCNN模型的红外图像飞机目标检测 | 第43-59页 |
| 3.1 数据集制作 | 第43-46页 |
| 3.1.1 翻转 | 第43页 |
| 3.1.2 旋转 | 第43-44页 |
| 3.1.3 亮度变换 | 第44页 |
| 3.1.4 裁剪 | 第44页 |
| 3.1.5 放大缩小 | 第44页 |
| 3.1.6 添加噪声 | 第44-45页 |
| 3.1.7 制作样本集 | 第45-46页 |
| 3.2 基于RCNN模型的目标识别算法 | 第46-55页 |
| 3.2.1 RCNN模型原理 | 第46-47页 |
| 3.2.2 基于显著性的感兴趣区域提取方法 | 第47-51页 |
| 3.2.3 网络模型设计 | 第51-52页 |
| 3.2.4 支持向量机 | 第52-54页 |
| 3.2.5 非极大值抑制 | 第54-55页 |
| 3.3 模型训练及实验分析 | 第55-58页 |
| 3.4 本章小结 | 第58-59页 |
| 第四章 基于SSD模型的红外图像飞机目标检测 | 第59-77页 |
| 4.1 基于SSD模型的目标识别算法 | 第59-64页 |
| 4.1.1 深度学习目标识别现状 | 第59-60页 |
| 4.1.2 SSD模型介绍 | 第60-64页 |
| 4.2 网络模型的设计 | 第64-71页 |
| 4.2.1 基础网络的选取 | 第64-66页 |
| 4.2.2 改进的特征卷积网络 | 第66-69页 |
| 4.2.3 改进的损失函数 | 第69-71页 |
| 4.3 模型训练与结果分析 | 第71-74页 |
| 4.3.1 训练参数初始值设定 | 第71-72页 |
| 4.3.2 训练过程与实验分析 | 第72-74页 |
| 4.4 本章小结 | 第74-77页 |
| 第五章 总结与展望 | 第77-79页 |
| 5.1 总结 | 第77-78页 |
| 5.2 未来展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 作者简介 | 第85-87页 |
