多任务学习在SAR图像目标识别中的应用
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 缩略词 | 第10-11页 |
| 注释表 | 第11-12页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 SAR目标识别研究进展 | 第13-16页 |
| 1.2.2 MTL研究进展 | 第16-18页 |
| 1.3 本文主要研究内容及结构 | 第18-19页 |
| 第二章 SAR图像目标识别及多任务学习 | 第19-31页 |
| 2.1 SAR图像目标识别 | 第19-20页 |
| 2.2 稀疏表示分类 | 第20-22页 |
| 2.2.1 稀疏表示问题描述 | 第20-21页 |
| 2.2.2 稀疏求解算法 | 第21-22页 |
| 2.3 MTL 问题描述 | 第22-24页 |
| 2.4 多任务学习在目标识别中的应用 | 第24-30页 |
| 2.4.1 基于多尺度特征的稀疏表示 | 第24-27页 |
| 2.4.2 介绍MSTAR数据库 | 第27-28页 |
| 2.4.3 目标识别实验 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于多尺度稀疏向量分布相似度的特征选择 | 第31-41页 |
| 3.1 问题描述 | 第31-32页 |
| 3.2 传统相关系数 | 第32-34页 |
| 3.2.1 皮尔逊相关系数 | 第32-33页 |
| 3.2.2 非线性相关系数 | 第33-34页 |
| 3.3 基于稀疏向量分布的相似度矩阵 | 第34-40页 |
| 3.3.1 方法描述 | 第34-37页 |
| 3.3.2 实验条件 | 第37页 |
| 3.3.3 识别率对比实验 | 第37-38页 |
| 3.3.4 特征冗余性分析实验 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 多尺度特征的局部线性约束稀疏字典优化 | 第41-55页 |
| 4.1 群稀疏表示 | 第41-48页 |
| 4.1.1 弹性网 | 第41-44页 |
| 4.1.2 基于L1/Lq范数的群稀疏模型 | 第44-45页 |
| 4.1.3 正则化参数的选择 | 第45-48页 |
| 4.2 基于局部线性约束的稀疏表示 | 第48-54页 |
| 4.2.1 局部约束线性编码 | 第48-49页 |
| 4.2.2 基于局部线性约束的多任务稀疏表示 | 第49-51页 |
| 4.2.3 实验结果与分析 | 第51-54页 |
| 4.3 本章小结 | 第54-55页 |
| 第五章 基于邻域加权的稀疏求解算法 | 第55-66页 |
| 5.1 基追踪算法 | 第55-58页 |
| 5.1.1 坐标下降法 | 第55-56页 |
| 5.1.2 Landweber迭代法 | 第56-57页 |
| 5.1.3 迭代收缩算法 | 第57-58页 |
| 5.2 匹配追踪算法 | 第58-60页 |
| 5.2.1 联合正交匹配追踪算法 | 第58-59页 |
| 5.2.2 基于压缩采样的匹配追踪算法 | 第59页 |
| 5.2.3 稀疏度自适应的匹配追踪算法 | 第59-60页 |
| 5.3 基于邻域加权稀疏求解算法的目标识别 | 第60-63页 |
| 5.4 实验与分析 | 第63-65页 |
| 5.4.1 SAR图像重建实验 | 第63-64页 |
| 5.4.2 识别率对比实验 | 第64页 |
| 5.4.3 分析稀疏求解参数对识别性能影响 | 第64-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 全文总结与展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-75页 |
| 在学期间的研究成果及发表的学术论文 | 第75-76页 |
| 附录 | 第76-77页 |
