| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 研究目的及意义 | 第11-12页 |
| 1.1.1 研究目的 | 第11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 传统目标检测算法 | 第12-15页 |
| 1.2.2 深度学习目标检测算法 | 第15-17页 |
| 1.2.3 基于深度学习的遥感图像地面目标检测 | 第17页 |
| 1.3 课题研究的主要内容及工作安排 | 第17-20页 |
| 1.3.1 主要研究内容 | 第17-18页 |
| 1.3.2 章节安排 | 第18-20页 |
| 第二章 深度学习遥感图像地面目标检测基础理论 | 第20-32页 |
| 2.1 遥感图像目标检测特点 | 第20-22页 |
| 2.2 深度学习基础理论 | 第22-30页 |
| 2.2.1 深度学习的概念 | 第22页 |
| 2.2.2 卷积神经网络的组成 | 第22-29页 |
| 2.2.3 卷积神经网络的优化算法 | 第29-30页 |
| 2.3 目标检测评价指标 | 第30-31页 |
| 2.3.1 交并比 | 第30页 |
| 2.3.2 均值平均精度 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于集成深度残差网络的遥感图像地面目标检测 | 第32-49页 |
| 3.1 引言 | 第32页 |
| 3.2 Faster RCNN网络 | 第32-37页 |
| 3.2.1 网络整体结构 | 第33-34页 |
| 3.2.2 候选框机制与RPN网络 | 第34-36页 |
| 3.2.3 感兴趣区域池化 | 第36页 |
| 3.2.4 损失函数 | 第36-37页 |
| 3.3 集成深度残差卷积网络模型框架 | 第37-42页 |
| 3.3.1 网络总体框架 | 第38-39页 |
| 3.3.2 特征提取残差网络 | 第39-40页 |
| 3.3.3 基于Kmeans++聚类的参考框尺寸设计 | 第40-41页 |
| 3.3.4 背景分类子网络 | 第41-42页 |
| 3.4 实验设计与结果分析 | 第42-48页 |
| 3.4.1 实验数据介绍 | 第42-43页 |
| 3.4.2 训练方法设计 | 第43-44页 |
| 3.4.3 实验结果及分析 | 第44-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 基于集成全卷积网络的遥感图像地面目标检测 | 第49-67页 |
| 4.1 引言 | 第49页 |
| 4.2 全卷积网络结构模型 | 第49-52页 |
| 4.2.1 FCN-VGG16网络 | 第49-50页 |
| 4.2.2 反卷积操作 | 第50-52页 |
| 4.3 集成可变形池化核与空洞卷积的全卷积网络模型 | 第52-59页 |
| 4.3.1 整体网络框架 | 第53-54页 |
| 4.3.2 可变形池化核 | 第54-55页 |
| 4.3.3 空洞卷积 | 第55-56页 |
| 4.3.4 批量标准化层应用 | 第56-57页 |
| 4.3.5 通道特征分析模块 | 第57-59页 |
| 4.4 实验设计及结果分析 | 第59-66页 |
| 4.4.1 实验数据集介绍 | 第59-60页 |
| 4.4.2 训练策略设计 | 第60-62页 |
| 4.4.3 实验结果及分析 | 第62-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 研究生阶段取得的成果 | 第73-74页 |
| 致谢 | 第74-75页 |
