基于深度学习的图像态势感知应用研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状分析 | 第11-17页 |
| 1.2.1 图像态势要素感知 | 第11-13页 |
| 1.2.2 深度学习在图像识别中的应用 | 第13-17页 |
| 1.3 主要研究内容 | 第17-18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 第2章 图像的目标类别感知 | 第20-36页 |
| 2.1 引言 | 第20-22页 |
| 2.2 图像目标类别感知模型 | 第22-32页 |
| 2.2.1 卷积神经网络结构 | 第23-27页 |
| 2.2.2 相关算法原理 | 第27-31页 |
| 2.2.2.1 反向传播算法 | 第27-29页 |
| 2.2.2.2 Softmax分类器 | 第29-31页 |
| 2.2.3 模型仿真实验 | 第31-32页 |
| 2.3 图像目标类别感知实验 | 第32-35页 |
| 2.3.1 可见光图像目标类别感知实验 | 第32-33页 |
| 2.3.2 雷达图像目标类别感知实验 | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第3章 图像的目标位置感知 | 第36-49页 |
| 3.1 引言 | 第36页 |
| 3.2 目标位置感知模型 | 第36-42页 |
| 3.2.1 基于Ro I区域的R-CNN模型 | 第38-40页 |
| 3.2.2 基于RPN网络的R-CNN模型 | 第40-42页 |
| 3.3 目标位置感知实验 | 第42-48页 |
| 3.3.1 可见光图像目标位置感知实验 | 第43-46页 |
| 3.3.2 雷达图像目标位置感知实验 | 第46-47页 |
| 3.3.3 讨论 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 态势感知系统设计及实现 | 第49-61页 |
| 4.1 引言 | 第49页 |
| 4.2 系统功能描述 | 第49-50页 |
| 4.3 态势感知系统设计 | 第50-53页 |
| 4.3.1 平台配置 | 第51-52页 |
| 4.3.2 框架选择 | 第52-53页 |
| 4.4 态势感知系统实现 | 第53-56页 |
| 4.5 CNN模型的嵌入式平台验证 | 第56-60页 |
| 4.6 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读学位期间发表的学术论文 | 第68-70页 |
| 致谢 | 第70页 |
