| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-15页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景和意义 | 第15-19页 |
| 1.1.1 SAR的发展历史 | 第15-16页 |
| 1.1.2 典型SAR系统及应用 | 第16-19页 |
| 1.2 研究现状和传统方法的缺点 | 第19-20页 |
| 1.2.1 研究现状 | 第19-20页 |
| 1.2.2 传统检测算法的不足 | 第20页 |
| 1.3 本文章节安排 | 第20-23页 |
| 第二章 传统SAR图像目标检测方法 | 第23-41页 |
| 2.1 CFAR方法简介 | 第23-25页 |
| 2.2 各种统计模型的CFAR算法 | 第25-31页 |
| 2.2.1 基于高斯分布的CFAR检测 | 第25-26页 |
| 2.2.2 基于Weibull分布的CFAR检测 | 第26-28页 |
| 2.2.3 基于对数-正态分布的CFAR检测 | 第28-29页 |
| 2.2.4 基于K分布的CFAR检测 | 第29-30页 |
| 2.2.5 基于Rayleigh分布的CFAR检测 | 第30-31页 |
| 2.3 CFAR检测器 | 第31-34页 |
| 2.3.1 CA-CFAR检测器 | 第32页 |
| 2.3.2 GO-CFAR和SO-CFAR检测器 | 第32-33页 |
| 2.3.3 OS-CFAR检测器 | 第33-34页 |
| 2.4 参数估计方法 | 第34-37页 |
| 2.4.1 矩量估计法 | 第35-36页 |
| 2.4.2 基于Mellin变换的参数估计 | 第36-37页 |
| 2.5 传统的CFAR方法检测结果 | 第37-40页 |
| 2.5.1 检测结果 | 第37-40页 |
| 2.6 本章小结 | 第40-41页 |
| 第三章 深度学习理论及构建补偿过的样本数据集 | 第41-65页 |
| 3.1 深度学习简介 | 第41-43页 |
| 3.1.1 深度学习的起源与发展 | 第41-42页 |
| 3.1.2 深度学习的模型 | 第42-43页 |
| 3.2 神经网络 | 第43-46页 |
| 3.2.1 神经网络的结构 | 第43-46页 |
| 3.2.2 神经网络的特点 | 第46页 |
| 3.3 卷积神经网络 | 第46-54页 |
| 3.3.1 卷积网络的结构及特点 | 第47-48页 |
| 3.3.2 卷积操作 | 第48-49页 |
| 3.3.3 池化操作 | 第49-50页 |
| 3.3.4 激活函数 | 第50-52页 |
| 3.3.5 分类器 | 第52-54页 |
| 3.4 网络的训练和优化方法 | 第54-58页 |
| 3.4.1 反向传播算法 | 第54-56页 |
| 3.4.2 随机梯度下降 | 第56-57页 |
| 3.4.3 批规范化 | 第57-58页 |
| 3.5 构建经过补偿的样本数据集 | 第58-64页 |
| 3.5.1 本文所使用的SAR图像说明 | 第58-59页 |
| 3.5.2 超高分辨率SAR图像车辆目标检测流程 | 第59-60页 |
| 3.5.3 建立补偿过的样本数据集 | 第60-62页 |
| 3.5.4 分类结果 | 第62-64页 |
| 3.6 本章小结 | 第64-65页 |
| 第四章 基于变结构卷积网络的超高分辨SAR图像目标检测 | 第65-91页 |
| 4.1 支持向量机 | 第65-70页 |
| 4.1.1 主成分分析 | 第65-66页 |
| 4.1.2 支持向量机 | 第66-69页 |
| 4.1.3 分类结果 | 第69-70页 |
| 4.2 四种典型的卷积网络 | 第70-76页 |
| 4.2.1 CNN-1 模型 | 第71-72页 |
| 4.2.2 CNN-2 模型 | 第72-73页 |
| 4.2.3 CNN-3 模型 | 第73-74页 |
| 4.2.4 CNN-4 模型 | 第74页 |
| 4.2.5 分类结果 | 第74-76页 |
| 4.3 基于变结构卷积网络的超高分辨SAR图像车辆目标检测 | 第76-90页 |
| 4.3.1 变结构卷积网络的结构设计 | 第76-79页 |
| 4.3.2 确定最优网络 | 第79-83页 |
| 4.3.3 车辆目标检测结果 | 第83-90页 |
| 4.4 本章小结 | 第90-91页 |
| 第五章 总结与展望 | 第91-93页 |
| 5.1 本文工作总结 | 第91-92页 |
| 5.2 SAR图像目标检测未来发展趋势 | 第92-93页 |
| 参考文献 | 第93-99页 |
| 致谢 | 第99-101页 |
| 作者简介 | 第101-102页 |
