| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 基于统计特征的舰船检测 | 第14-15页 |
| 1.2.2 基于多尺度分析的舰船检测 | 第15页 |
| 1.2.3 基于模板的舰船检测 | 第15-16页 |
| 1.2.4 基于多/全极化SAR图像的舰船检测 | 第16页 |
| 1.3 论文内容与安排 | 第16-19页 |
| 第二章 深度学习及目标检测理论基础 | 第19-33页 |
| 2.1 deep learning网络介绍 | 第19-28页 |
| 2.1.1 自动编码器（Auto Encoder） | 第19-21页 |
| 2.1.2 限制玻尔兹曼机RBM | 第21-24页 |
| 2.1.3 卷积神经网络CNN | 第24-26页 |
| 2.1.4 深度置信网络DBN | 第26-28页 |
| 2.2 目标检测 | 第28-31页 |
| 2.2.1 目标检测框架 | 第28-29页 |
| 2.2.2 有监督、无监督和半监督学习 | 第29-31页 |
| 2.2.3 特征、分类器 | 第31页 |
| 2.3 本章小结 | 第31-33页 |
| 第三章 基于限制玻尔兹曼机的SAR图像舰船检测 | 第33-47页 |
| 3.1 引言 | 第33页 |
| 3.2 限制玻尔兹曼机（RBM） | 第33-38页 |
| 3.2.1 网络训练算法 | 第33-35页 |
| 3.2.2 Gibbs采样 | 第35-36页 |
| 3.2.3 基于对比散度的训练算法 | 第36-37页 |
| 3.2.4 Softmax分类器 | 第37-38页 |
| 3.3 本章算法实现 | 第38-40页 |
| 3.3.1 图像预处理 | 第38-39页 |
| 3.3.2 限制玻尔兹曼机网络构造 | 第39-40页 |
| 3.4 实验结果及其分析 | 第40-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第四章 基于卷积神经网络CNN的SAR图像舰船检测 | 第47-61页 |
| 4.1 引言 | 第47页 |
| 4.2 卷积神经网络结构 | 第47-50页 |
| 4.2.1 卷积层与下采样层过程 | 第48-49页 |
| 4.2.2 局部感受野和权值共享 | 第49-50页 |
| 4.3 本章算法实现 | 第50-53页 |
| 4.3.1 图像预处理 | 第51-52页 |
| 4.3.2 卷积神经网络构造 | 第52页 |
| 4.3.3 卷积神经网络的反向传播 | 第52-53页 |
| 4.4 实验结果及其分析 | 第53-58页 |
| 4.5 结果对比分析 | 第58-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第五章 总结和展望 | 第61-63页 |
| 5.1 本文研究成果 | 第61页 |
| 5.2 进一步研究方向 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 致谢 | 第69-71页 |
| 作者简介 | 第71-72页 |