| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-18页 |
| 1.2.1 船舶检测方法研究现状 | 第11页 |
| 1.2.2 深度学习研究现状 | 第11-13页 |
| 1.2.3 目标检测研究现状 | 第13-14页 |
| 1.2.4 海面去雾算法研究现状 | 第14-18页 |
| 1.3 本文的主要研究内容及章节安排 | 第18-20页 |
| 1.3.1 主要研究内容 | 第18页 |
| 1.3.2 论文章节安排 | 第18-20页 |
| 第2章 基于降采样加速的改进暗通道去雾算法 | 第20-30页 |
| 2.1 引言 | 第20页 |
| 2.2 海洋大气散射物理模型 | 第20-21页 |
| 2.3 暗通道先验去雾算法 | 第21-23页 |
| 2.4 改进的暗通道先验去雾算法 | 第23-26页 |
| 2.5 对比实验及结果分析 | 第26-29页 |
| 2.5.1 去雾算法对比实验 | 第26-27页 |
| 2.5.2 去雾图像质量评估 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 基于改进YOLO网络的船舶目标检测 | 第30-44页 |
| 3.1 引言 | 第30页 |
| 3.2 基于卷积神经网络的目标检测 | 第30-31页 |
| 3.2.1 基于区域提议的目标检测 | 第30-31页 |
| 3.2.2 基于回归思想的目标检测 | 第31页 |
| 3.3 YOLO网络原理与结构 | 第31-35页 |
| 3.3.1 YOLO检测过程 | 第31-34页 |
| 3.3.2 损失函数设计 | 第34页 |
| 3.3.3 YOLO网络结构 | 第34-35页 |
| 3.4 改进密度的YOLO网络 | 第35-40页 |
| 3.4.1 船舶目标特殊性 | 第35-37页 |
| 3.4.2 改进的YOLO网络结构 | 第37-39页 |
| 3.4.3 改进YOLO网络实现细节 | 第39-40页 |
| 3.5 网络训练 | 第40-42页 |
| 3.5.1 数据集制作 | 第40页 |
| 3.5.2 环境配置与网络训练 | 第40-41页 |
| 3.5.3 训练技巧 | 第41-42页 |
| 3.6 本章小结 | 第42-44页 |
| 第4章 基于改进MaskR-CNN的船舶图像细化检测 | 第44-64页 |
| 4.1 引言 | 第44-46页 |
| 4.2 改进MaskR-CNN网络RoIAlign | 第46-54页 |
| 4.2.1 MaskR-CNN网络结构 | 第46-47页 |
| 4.2.2 FCN分支网络 | 第47-48页 |
| 4.2.3 RoIAlign兴趣区域插值池化 | 第48-51页 |
| 4.2.4 改进加速RoIAlign兴趣区域插值池化 | 第51-54页 |
| 4.3 网络训练及评估 | 第54-59页 |
| 4.3.1 损失函数设计 | 第54-56页 |
| 4.3.2 MaskR-CNN网络训练 | 第56-57页 |
| 4.3.3 评估训练模型 | 第57-59页 |
| 4.4 实例分割可视化实现 | 第59-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第5章 算法实验及分析 | 第64-72页 |
| 5.1 引言 | 第64页 |
| 5.2 改进YOLO网络泛化性实验 | 第64-67页 |
| 5.2.1 实验设计 | 第64-66页 |
| 5.2.2 实验结果分析 | 第66-67页 |
| 5.3 改进网络综合实验 | 第67-71页 |
| 5.3.1 实验设计 | 第67-69页 |
| 5.3.2 实验结果分析 | 第69-71页 |
| 5.4 本章小结 | 第71-72页 |
| 结论 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第78-79页 |
| 致谢 | 第79页 |
