| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题的背景及来源 | 第9-11页 |
| 1.2 课题研究的目的和意义 | 第11-12页 |
| 1.3 国内外研究现状与发展 | 第12-17页 |
| 1.3.1 深度学习研究进展 | 第12-14页 |
| 1.3.2 深度学习目标检测研究进展 | 第14-15页 |
| 1.3.3 高分遥感图像舰船检测研究进展 | 第15-16页 |
| 1.3.4 研究现状总结 | 第16-17页 |
| 1.4 本文的内容安排 | 第17-19页 |
| 第2章 深度学习基础理论 | 第19-30页 |
| 2.1 引言 | 第19页 |
| 2.2 深度学习概述 | 第19-22页 |
| 2.2.1 从浅层学习到多层学习 | 第20-21页 |
| 2.2.2 稀疏理论 | 第21-22页 |
| 2.3 常用深度学习框架介绍 | 第22-24页 |
| 2.3.1 无监督的深度学习 | 第22-23页 |
| 2.3.2 有监督的深度学习 | 第23-24页 |
| 2.3.3 生成式对抗网络(GAN) | 第24页 |
| 2.4 卷积神经网络（CNN） | 第24-28页 |
| 2.4.1 从BP神经网络到CNN | 第25-26页 |
| 2.4.2 深度解译CNN | 第26-28页 |
| 2.5 深度学习层次化描述 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第3章 层次化CNN舰船目标检测 | 第30-50页 |
| 3.1 引言 | 第30页 |
| 3.2 层次化CNN检测模型与算法流程 | 第30-36页 |
| 3.2.1 迁移Alex Net模型的CNN分类方法 | 第30-33页 |
| 3.2.2 层次化CNN检测网络 | 第33-35页 |
| 3.2.3 舰船定位框检测与舰船分割 | 第35-36页 |
| 3.3 实验结果与分析 | 第36-49页 |
| 3.3.1 实验数据及样本 | 第36-38页 |
| 3.3.2 迁移学习与非迁移学习的对比 | 第38-40页 |
| 3.3.3 目标定位框检测对比 | 第40-47页 |
| 3.3.4 舰船目标分割结果 | 第47-49页 |
| 3.4 本章小结 | 第49-50页 |
| 第4章 超像素CNN舰船目标检测 | 第50-63页 |
| 4.1 引言 | 第50页 |
| 4.2 超像素CNN目标检测原理 | 第50-55页 |
| 4.2.1 目标对象预提取 | 第50-54页 |
| 4.2.2 超像素CNN网络模型与算法流程 | 第54-55页 |
| 4.3 实验结果与分析 | 第55-62页 |
| 4.3.1 超像素分割结果 | 第55-56页 |
| 4.3.2 Selective Search对象预提取结果 | 第56-58页 |
| 4.3.3 单一超像素目标预提取结果 | 第58-59页 |
| 4.3.4 超像素CNN检测结果 | 第59-60页 |
| 4.3.5 超像素表示的目标分割结果 | 第60-62页 |
| 4.4 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第71-73页 |
| 致谢 | 第73页 |