| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题背景及研究意义 | 第9-11页 |
| 1.2 太阳活动检测研究现状 | 第11-13页 |
| 1.3 计算机视觉目标检测技术研究现状 | 第13-17页 |
| 1.3.1 目标检测 | 第13-14页 |
| 1.3.2 传统目标检测方法 | 第14-15页 |
| 1.3.3 基于候选区域的深度学习目标检测方法 | 第15-16页 |
| 1.3.4 基于回归的深度学习目标检测方法 | 第16-17页 |
| 1.4 太阳活动检测中存在的主要问题 | 第17页 |
| 1.5 本文的主要研究内容 | 第17-19页 |
| 第二章 相关知识介绍 | 第19-33页 |
| 2.1 深度学习 | 第19-20页 |
| 2.2 卷积神经网络 | 第20-25页 |
| 2.2.1 卷积神经网络的历史发展 | 第21-22页 |
| 2.2.2 卷积神经网络的基本原理 | 第22-25页 |
| 2.3 Selective Search方法 | 第25-27页 |
| 2.4 基于区域的卷积神经网络模型 | 第27-32页 |
| 2.4.1 R-CNN | 第28-29页 |
| 2.4.2 SPPnet | 第29-30页 |
| 2.4.3 Fast R-CNN | 第30-32页 |
| 2.5 本章小节 | 第32-33页 |
| 第三章 基于Fast R-CNN模型的单波段太阳活动检测 | 第33-43页 |
| 3.1 单波段Fast R-CNN模型 | 第33-36页 |
| 3.1.1 RoI pooling层 | 第34-35页 |
| 3.1.2 网络的训练与测试 | 第35-36页 |
| 3.2 实验数据 | 第36-37页 |
| 3.3 实验结果与分析 | 第37-41页 |
| 3.3.1 实验设置 | 第37-38页 |
| 3.3.2 评价指标 | 第38-39页 |
| 3.3.3 实验结果 | 第39-41页 |
| 3.4 本章小节 | 第41-43页 |
| 第四章 基于Multi-channel Fast R-CNN的多波段太阳活动检测 | 第43-51页 |
| 4.1 Multi-channel Fast R-CNN模型 | 第45页 |
| 4.2 实验结果与分析 | 第45-48页 |
| 4.3 与太阳物理事件知识库中太阳活动记录的对比 | 第48-49页 |
| 4.4 本章小节 | 第49-51页 |
| 第五章 总结与展望 | 第51-53页 |
| 5.1 总结 | 第51-52页 |
| 5.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 发表论文和参加科研情况说明 | 第57-58页 |
| 致谢 | 第58-59页 |
