| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-33页 |
| 1.1 研究背景与意义 | 第17-18页 |
| 1.2 SAR图像基础理论 | 第18-20页 |
| 1.2.1 SAR图像目标特性 | 第18-19页 |
| 1.2.2 SAR-ATR架构 | 第19-20页 |
| 1.3 目标检测的国内外研究现状及发展趋势 | 第20-21页 |
| 1.3.1 传统的SAR图像目标检测 | 第20-21页 |
| 1.3.2 基于深度学习的自然图像目标检测 | 第21页 |
| 1.4 目标分类的国内外研究现状及发展趋势 | 第21-23页 |
| 1.4.1 传统的SAR图像目标分类 | 第21-22页 |
| 1.4.2 基于深度学习的自然图像目标分类 | 第22-23页 |
| 1.5 常用的目标检测算法 | 第23-27页 |
| 1.6 常用的目标分类算法 | 第27-30页 |
| 1.7 本文主要工作及内容安排 | 第30-33页 |
| 第二章 基于视觉注意机制的SAR图像目标检测 | 第33-79页 |
| 2.1 引言 | 第33页 |
| 2.2 视觉注意机制基础 | 第33-37页 |
| 2.3 全卷积神经网络基础 | 第37-40页 |
| 2.3.1 卷积层 | 第37-38页 |
| 2.3.2 池化层 | 第38-39页 |
| 2.3.3 上采样和反卷积层 | 第39页 |
| 2.3.4 Softmax分类 | 第39-40页 |
| 2.3.5 全卷积神经网络 | 第40页 |
| 2.4 形态学处理基础 | 第40-42页 |
| 2.5 基于显著性检测网络的SAR图像目标检测 | 第42-46页 |
| 2.5.1 显著性检测网络 | 第43-44页 |
| 2.5.2 显著图形态学处理 | 第44页 |
| 2.5.3 训练数据集构建 | 第44-46页 |
| 2.6 实验结果与分析 | 第46-76页 |
| 2.6.1 实验数据 | 第46-47页 |
| 2.6.2 实验环境 | 第47-48页 |
| 2.6.3 实验结果分析 | 第48-76页 |
| 2.7 小结 | 第76-79页 |
| 第三章 基于DC-Res Net的SAR图像目标分类 | 第79-101页 |
| 3.1 引言 | 第79页 |
| 3.2 深度残差网络基础 | 第79-83页 |
| 3.2.1 非线性激活函数 | 第80页 |
| 3.2.2 Dropout操作 | 第80-81页 |
| 3.2.3 批规范化 | 第81-82页 |
| 3.2.4 全局均值池化 | 第82-83页 |
| 3.2.5 跳跃连接 | 第83页 |
| 3.3 基于DC-Res Net的SAR图像目标分类 | 第83-87页 |
| 3.3.1 可变形卷积核 | 第83-85页 |
| 3.3.2 可变形卷积残差模块 | 第85-86页 |
| 3.3.3 DC-Res Net模型 | 第86-87页 |
| 3.4 实验结果与分析 | 第87-99页 |
| 3.4.1 实验数据 | 第87-89页 |
| 3.4.2 实验环境 | 第89页 |
| 3.4.3 实验结果分析 | 第89-99页 |
| 3.5 小结 | 第99-101页 |
| 第四章 基于多尺度深度神经网络的SAR图像目标分类 | 第101-113页 |
| 4.1 引言 | 第101页 |
| 4.2 基于MCK-CNN的SAR图像目标分类 | 第101-103页 |
| 4.2.1 深度融合神经网络 | 第101-102页 |
| 4.2.2 MCK-CNN | 第102-103页 |
| 4.3 基于MGA-CNN的SAR图像目标分类 | 第103-108页 |
| 4.3.1 Curvelet变换 | 第103-106页 |
| 4.3.2 MGA-CNN | 第106-108页 |
| 4.4 实验结果与分析 | 第108-112页 |
| 4.4.1 实验数据 | 第108页 |
| 4.4.2 实验环境 | 第108页 |
| 4.4.3 实验结果分析 | 第108-112页 |
| 4.5 小结 | 第112-113页 |
| 第五章 总结与展望 | 第113-115页 |
| 5.1 本文工作总结 | 第113页 |
| 5.2 研究工作展望 | 第113-115页 |
| 参考文献 | 第115-119页 |
| 致谢 | 第119-121页 |
| 作者简介 | 第121-122页 |
