| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 研究进展与现状 | 第9-14页 |
| 1.2.1 遥感图像目标检测 | 第9-12页 |
| 1.2.2 遥感图像分类 | 第12-13页 |
| 1.2.3 深度神经网络 | 第13-14页 |
| 1.3 论文研究内容与组织结构 | 第14-16页 |
| 第2章 深度神经网络理论基础 | 第16-24页 |
| 2.1 深度神经网络的发展 | 第16-17页 |
| 2.1.1 从浅层到深层 | 第16-17页 |
| 2.1.2 从经典到变型 | 第17页 |
| 2.2 深度神经网络的结构与训练 | 第17-21页 |
| 2.2.1 模型的基本结构 | 第17-20页 |
| 2.2.2 模型的训练 | 第20-21页 |
| 2.3 常见的深度神经网络模型 | 第21-23页 |
| 2.4 小结 | 第23-24页 |
| 第3章 深度神经网络遥感图像分类模型 | 第24-34页 |
| 3.1 引言 | 第24-25页 |
| 3.2 CNN模型的结构 | 第25-26页 |
| 3.3 微调预训练模型进行卫星图像分类 | 第26-28页 |
| 3.3.1 Satellite-2000数据集 | 第27页 |
| 3.3.2 微调预训练CNN模型 | 第27-28页 |
| 3.4 实验结果与分析 | 第28-32页 |
| 3.4.1 Satellite-2000测试集实验结果 | 第28-30页 |
| 3.4.2 UC Merced Land Use数据集实验结果 | 第30-32页 |
| 3.5 小结 | 第32-34页 |
| 第4章 深度神经网络遥感图像目标检测模型 | 第34-48页 |
| 4.1 引言 | 第34-35页 |
| 4.2 FCN模型和弱监督训练 | 第35-36页 |
| 4.3 WS-DNN目标检测模型 | 第36-42页 |
| 4.3.1 实验数据集 | 第37-38页 |
| 4.3.2 深度模型的训练 | 第38-40页 |
| 4.3.3 候选区域的提取和分类 | 第40-41页 |
| 4.3.4 检测框微调算法 | 第41-42页 |
| 4.4 实验结果分析 | 第42-47页 |
| 4.4.1 FCN区域提取算法评价 | 第42-43页 |
| 4.4.2 BBFT算法评价 | 第43-44页 |
| 4.4.3 WS-DNN模型评估 | 第44-47页 |
| 4.5 小结 | 第47-48页 |
| 第5章 结合检测框生成算法的FCN目标检测模型 | 第48-58页 |
| 5.1 引言 | 第48-49页 |
| 5.2 BG-FCN目标检测模型 | 第49-52页 |
| 5.2.1 FCN模型 | 第49-50页 |
| 5.2.2 检测框生成算法 | 第50-52页 |
| 5.3 实验结果分析 | 第52-56页 |
| 5.3.1 Satellite Aircrafts Dataset数据集结果 | 第52-54页 |
| 5.3.2 Aircrafts Dataset数据集结果 | 第54-56页 |
| 5.4 小结 | 第56-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-68页 |
| 致谢 | 第68-70页 |
| 攻读硕士学位期间的研究成果 | 第70页 |
