| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景 | 第10-14页 |
| 1.1.1 卫星成像技术的发展 | 第10页 |
| 1.1.2 我国的海洋现状 | 第10-11页 |
| 1.1.3 云计算的军事应用 | 第11-14页 |
| 1.2 国内外舰船图像识别研究 | 第14-15页 |
| 1.3 研究的目的和意义 | 第15-16页 |
| 1.4 本研究完成的工作 | 第16-17页 |
| 1.5 本文结构 | 第17-18页 |
| 第二章 基于云计算的系统整体框架的结构设计 | 第18-24页 |
| 2.1 系统整体流程概述 | 第18-19页 |
| 2.2 国内的卫星资源 | 第19-20页 |
| 2.3 舰船目标检测系统概述 | 第20-22页 |
| 2.4 目标分类系统的介绍 | 第22-23页 |
| 2.5 本章小节 | 第23-24页 |
| 第三章 目标定位系统的构建 | 第24-30页 |
| 3.1 系统设计及应用 | 第24-26页 |
| 3.1.1 系统总体设计 | 第24-25页 |
| 3.1.2 百度API概述 | 第25-26页 |
| 3.2 客户端与服务端的实现 | 第26-29页 |
| 3.3 本章小结 | 第29-30页 |
| 第四章 舰船图像识别分类方法 | 第30-57页 |
| 4.1 支持向量机 | 第30-34页 |
| 4.1.1 线性分类器 | 第30-33页 |
| 4.1.2 核函数 | 第33-34页 |
| 4.2 基于SIFT和SVM的识别分类分析 | 第34-40页 |
| 4.2.1 SIFT算子 | 第34-38页 |
| 4.2.1.1 尺度空间检测 | 第35-36页 |
| 4.2.1.2 关键点精确定位 | 第36-37页 |
| 4.2.1.3 方向确定 | 第37页 |
| 4.2.1.4 关键点特征描述 | 第37-38页 |
| 4.2.2 SIFT和SVM的系统模型 | 第38-40页 |
| 4.3 基于HOG和SVM的识别分类分析 | 第40-43页 |
| 4.3.1 HOG特征 | 第40-43页 |
| 4.3.1.1 概述 | 第40页 |
| 4.3.1.2 特征提取 | 第40-42页 |
| 4.3.1.3 HOG 和 SVM 的系统模型 | 第42-43页 |
| 4.4 基于深度学习的识别分类分析 | 第43-48页 |
| 4.4.1 浅层模型 | 第44-47页 |
| 4.4.1.1 人工神经网络的历史 | 第45页 |
| 4.4.1.2 人工神经网络的基本原理及算法 | 第45-47页 |
| 4.4.2 深度模型 | 第47-48页 |
| 4.5 实验一两类舰船在三种图像识别方法中的对比 | 第48-51页 |
| 4.6 实验二基于深度学习的多类舰船分类识别 | 第51-56页 |
| 4.6.1 三种不同船只类型的识别 | 第52-53页 |
| 4.6.2 四种不同船只类型的识别 | 第53-56页 |
| 4.7 本章小结 | 第56-57页 |
| 第五章 基于云计算架构的目标分类原型的概述 | 第57-64页 |
| 5.1 基于OpenStack云平台概述 | 第57-58页 |
| 5.2 本文系统在OpenStack云平台中的架构设计 | 第58-61页 |
| 5.3 基于GoogLeNet的云端舰船目标识别系统研究 | 第61-63页 |
| 5.4 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71-72页 |
| 附件 | 第72页 |