基于深度学习的军事目标识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-18页 |
| 1.2.1 国外军事目标识别研究现状 | 第10-12页 |
| 1.2.2 国内军事目标识别研究现状 | 第12-13页 |
| 1.2.3 基于深度学习的目标识别研究现状 | 第13-18页 |
| 1.2.4 核心创新点 | 第18页 |
| 1.3 本文主要内容 | 第18-19页 |
| 第2章 基于深度学习的军事目标识别算法模型构建 | 第19-35页 |
| 2.1 引言 | 第19页 |
| 2.2 算法总览 | 第19-20页 |
| 2.3 基于稠密卷积神经网络的区域采样算法 | 第20-26页 |
| 2.3.1 引言 | 第20-21页 |
| 2.3.2 区域采样算法模型结构 | 第21-23页 |
| 2.3.3 采样区域获得方式 | 第23页 |
| 2.3.4 联合代价函数 | 第23-25页 |
| 2.3.5 训练方法 | 第25-26页 |
| 2.4 基于稠密卷积神经网络的快速分类算法 | 第26-34页 |
| 2.4.1 引言 | 第26-27页 |
| 2.4.2 基于深度学习的前沿分类算法比较 | 第27-28页 |
| 2.4.3 特征转换 | 第28-30页 |
| 2.4.4 梯度弥散梯度膨胀 | 第30-31页 |
| 2.4.5 激活函数 | 第31页 |
| 2.4.6 DFCN算法 | 第31-33页 |
| 2.4.7 联合代价函数 | 第33-34页 |
| 2.4.8 训练方法 | 第34页 |
| 2.5 DRFCN训练方法 | 第34-35页 |
| 2.5.1 引言 | 第34页 |
| 2.5.2 DRPN和DFCN联合训练方法 | 第34-35页 |
| 2.6 本章小结 | 第35页 |
| 第3章 实验与仿真 | 第35-45页 |
| 3.1 引言 | 第35-36页 |
| 3.2 算法执行平台 | 第36页 |
| 3.3 PASCAL VOC上的实验 | 第36-43页 |
| 3.3.1 PASCAL VOC数据集简介 | 第36-37页 |
| 3.3.2 精确率和召回率 | 第37-38页 |
| 3.3.3 平均准确率 | 第38-39页 |
| 3.3.4 实验对比 | 第39-43页 |
| 3.4 军事目标数据集上的实验 | 第43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 基于深度学习的军事目标识别原型系统开发 | 第45-53页 |
| 4.1 引言 | 第45页 |
| 4.2 系统开发环境与工具 | 第45-46页 |
| 4.3 需求分析 | 第46页 |
| 4.4 系统建模 | 第46-50页 |
| 4.4.1 创建系统用例模型 | 第46-47页 |
| 4.4.2 创建系统静态模型 | 第47-48页 |
| 4.4.3 创建系统动态模型 | 第48-49页 |
| 4.4.4 创建系统部署模型 | 第49-50页 |
| 4.5 系统功能结构 | 第50-51页 |
| 4.6 系统验证与测试 | 第51页 |
| 4.7 本章小结 | 第51-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 总结 | 第53页 |
| 5.2 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 附录 | 第61页 |
