| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.2.1 目标检测研究现状2 | 第13-16页 |
| 1.2.2 图像分类研究现状5 | 第16-17页 |
| 1.3 研究内容 | 第17-19页 |
| 1.4 章节安排 | 第19-21页 |
| 第二章 基于改进霍夫投票模型的航空器目标检测算法 | 第21-41页 |
| 2.1 图像的局部特征描述 | 第21-28页 |
| 2.2 基于SIFT特征构建的霍夫森林 | 第28-30页 |
| 2.3 概率霍夫投票 | 第30-34页 |
| 2.4 结合核密度估计的改进Mean-Shift搜索 | 第34-38页 |
| 2.5 基于改进霍夫森林投票实现的目标检测算法 | 第38-40页 |
| 2.6 本章小结 | 第40-41页 |
| 第三章 基于深度卷积神经网络的航空器目标检测算法 | 第41-61页 |
| 3.1 深度学习 | 第41-49页 |
| 3.1.1 感知机 | 第41-44页 |
| 3.1.2 多隐层网络与反向传播算法 | 第44-47页 |
| 3.1.3 卷积神经网络 | 第47-49页 |
| 3.2 Region-Proposal在目标检测网络中的应用 | 第49-53页 |
| 3.2.1 Selective-Search算法 | 第49-51页 |
| 3.2.2 R-CNN目标检测算法 | 第51-53页 |
| 3.3 基于回归的实时目标检测算法 | 第53-57页 |
| 3.4 实验结果及其分析 | 第57-60页 |
| 3.5 本章小结 | 第60-61页 |
| 第四章 基于深度卷积神经网络的航空器类型识别算法 | 第61-79页 |
| 4.1 卷积神经网络在图像分类任务上的应用 | 第61-62页 |
| 4.2 AlexNet图像分类网络 | 第62-67页 |
| 4.2.1 AlexNet网络结构 | 第62-63页 |
| 4.2.2 ReLU激活函数 | 第63-65页 |
| 4.2.3 LRN局部响应归一化 | 第65-66页 |
| 4.2.4 Dropout | 第66-67页 |
| 4.2.5 网络训练 | 第67页 |
| 4.3 ResNet图像分类网络 | 第67-74页 |
| 4.3.1 网络介绍 | 第67-68页 |
| 4.3.2 残差学习 | 第68-69页 |
| 4.3.3 ResNet网络结构 | 第69-74页 |
| 4.4 基于卷积神经网络实现的航空器类型识别算法 | 第74-76页 |
| 4.5 实验结果及其分析 | 第76-78页 |
| 4.6 本章小结 | 第78-79页 |
| 第五章 总结与展望 | 第79-81页 |
| 5.1 总结 | 第79-80页 |
| 5.2 展望 | 第80-81页 |
| 参考文献 | 第81-87页 |
| 致谢 | 第87-88页 |
| 攻读硕士期间已发表(收录)的论文 | 第88-90页 |