| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 SAR图像目标识别研究背景与意义 | 第13-14页 |
| 1.2 SAR图像目标识别研究内容及研究现状 | 第14-16页 |
| 1.3 MSTAR数据集简介 | 第16-18页 |
| 1.4 论文主要内容和章节安排 | 第18-19页 |
| 第二章 深度学习理论基础 | 第19-23页 |
| 2.1 浅层学习到深度学习 | 第19-21页 |
| 2.1.1 浅层学习的局限性 | 第19-20页 |
| 2.1.2 深度学习的动机 | 第20-21页 |
| 2.2 深度学习的基本思想 | 第21页 |
| 2.3 深度学习基本模型 | 第21页 |
| 2.4 深度学习的应用 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 第三章 基于改进的PcaNet的SAR图像分类 | 第23-35页 |
| 3.1 从PCA到PcaNet理论基础 | 第24-27页 |
| 3.1.1 主成分分析PCA | 第24-27页 |
| 3.1.2 主成分分析网 | 第27页 |
| 3.2 基于改进的PcaNet的SAR图像分类 | 第27-31页 |
| 3.2.1 基于主成分分析网的图像特征提取过程 | 第27-30页 |
| 3.2.2 简析稀疏表示分类器 | 第30-31页 |
| 3.3 实验结果与分析 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于SAR-SIFT与Pca Net模型的SAR图像分类 | 第35-47页 |
| 4.1 SIFT特征简述 | 第35-39页 |
| 4.1.1 SIFT特征意义 | 第35-36页 |
| 4.1.2 SIFT特征提取 | 第36-39页 |
| 4.2 SAR-SIFT算法简述 | 第39-42页 |
| 4.2.1 SAR-SIFT梯度计算方法 | 第40-41页 |
| 4.2.2 SAR-SIFT关键点检测 | 第41页 |
| 4.2.3 SAR-SIFT特征描述提取 | 第41-42页 |
| 4.3 基于SAR-SIFT与PcaNet模型的SAR图像分类 | 第42页 |
| 4.4 实验结果与分析 | 第42-45页 |
| 4.5 本章小结 | 第45-47页 |
| 第五章 基于PCA和CSC的SAR图像分类 | 第47-57页 |
| 5.1 从稀疏编码到卷积稀疏编码 | 第48-50页 |
| 5.1.1 稀疏编码 | 第48-49页 |
| 5.1.2 卷积稀疏编码 | 第49-50页 |
| 5.2 基于PCA和CSC的SAR图像分类 | 第50-52页 |
| 5.3 实验结果与分析 | 第52-55页 |
| 5.4 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 工作总结 | 第57页 |
| 6.2 后期展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 作者简介 | 第65-66页 |