| 致谢1 | 第4-5页 |
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 基于传统手工特征的目标检测方法 | 第13页 |
| 1.2.2 基于深度学习的目标检测方法 | 第13-15页 |
| 1.3 本文主要工作 | 第15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第2章 深度学习的理论与方法 | 第17-31页 |
| 2.1 深度学习 | 第17-25页 |
| 2.1.1 从浅层学习到深度学习 | 第17-18页 |
| 2.1.2 人工神经网络 | 第18-24页 |
| 2.1.3 深度学习框架 | 第24-25页 |
| 2.2 卷积神经网络 | 第25-29页 |
| 2.2.1 卷积神经网络基本概念 | 第25-28页 |
| 2.2.2 反向传播算法 | 第28-29页 |
| 2.3 本章小结 | 第29-31页 |
| 第3章 基于卷积神经网络的高分辨率遥感影像目标检测 | 第31-47页 |
| 3.1 概述 | 第31-33页 |
| 3.2 方法流程 | 第33-38页 |
| 3.2.1 候选区域生成 | 第33-36页 |
| 3.2.2 ROIPooling | 第36-37页 |
| 3.2.3 CNN模型结构及训练 | 第37-38页 |
| 3.2.4 目标检测和结果输出 | 第38页 |
| 3.3 实验结果及分析 | 第38-44页 |
| 3.3.1 数据集 | 第38-39页 |
| 3.3.2 评价标准 | 第39-40页 |
| 3.3.3 不同方法检测效果对比 | 第40-42页 |
| 3.3.4 不同候选区域生成算法检测效果对比 | 第42-43页 |
| 3.3.5 不同SLIC迭代下的检测性能对比 | 第43-44页 |
| 3.4 本章小结 | 第44-47页 |
| 第4章 集成卷积神经网络的高分辨率遥感图像多类目标检测 | 第47-57页 |
| 4.1 概述 | 第47-49页 |
| 4.2 方法流程 | 第49-52页 |
| 4.2.1 多尺度分割 | 第49页 |
| 4.2.2 卷积特征提取 | 第49-51页 |
| 4.2.3 目标检测 | 第51-52页 |
| 4.3 实验结果与分析 | 第52-56页 |
| 4.3.1 实验数据 | 第52-53页 |
| 4.3.2 实验环境及参数设置 | 第53-54页 |
| 4.3.3 实验结果与分析 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 本文总结 | 第57页 |
| 5.2 研究展望 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 致谢2 | 第65-67页 |
| 作者简介、硕士期间发表的学术论文情况 | 第67页 |