| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第14-24页 |
| 1.1 研究背景及意义 | 第14-16页 |
| 1.2 国内外研究现状 | 第16-21页 |
| 1.2.1 遥感图像飞机目标检测 | 第17-20页 |
| 1.2.2 遥感图像飞机目标型号识别 | 第20-21页 |
| 1.3 本文研究内容 | 第21-22页 |
| 1.4 本文组织结构 | 第22-24页 |
| 第2章 卷积神经网络 | 第24-32页 |
| 2.1 卷积神经网络基本结构 | 第25-28页 |
| 2.1.1 卷积层 | 第25-26页 |
| 2.1.2 激活函数 | 第26-27页 |
| 2.1.3 池化层 | 第27页 |
| 2.1.4 全连接层 | 第27-28页 |
| 2.2 卷积神经网络主要特点 | 第28-30页 |
| 2.2.1 局部连接 | 第28-29页 |
| 2.2.2 权值共享 | 第29页 |
| 2.2.3 降采样 | 第29-30页 |
| 2.3 本章小结 | 第30-32页 |
| 第3章 基于弱监督学习的遥感图像飞机目标检测方法 | 第32-48页 |
| 3.1 弱监督学习 | 第33-34页 |
| 3.2 基于弱监督学习的遥感图像飞机目标检测算法 | 第34-42页 |
| 3.2.1 AlexNet-WSL网络模型 | 第35-40页 |
| 3.2.2 热力图生成 | 第40-41页 |
| 3.2.3 目标定位 | 第41-42页 |
| 3.3 实验数据集 | 第42-43页 |
| 3.4 实验结果与分析 | 第43-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第4章 基于迁移学习的遥感图像飞机目标型号识别方法 | 第48-66页 |
| 4.1 迁移学习 | 第49-50页 |
| 4.2 基于迁移学习的遥感图像飞机目标型号识别算法 | 第50-52页 |
| 4.2.1 预训练阶段 | 第52页 |
| 4.2.2 参数微调阶段 | 第52页 |
| 4.3 实验数据集 | 第52-58页 |
| 4.3.1 源领域数据集 | 第52-57页 |
| 4.3.2 目标领域数据集 | 第57-58页 |
| 4.4 实验结果与分析 | 第58-64页 |
| 4.4.1 不同的源领域数据集预训练的实验 | 第59-62页 |
| 4.4.2 不同学习率设置下的实验 | 第62页 |
| 4.4.3 不同分类算法在ARSI-11数据集上的实验 | 第62-63页 |
| 4.4.4 基于遥感图像飞机目标检测结果数据的实验 | 第63-64页 |
| 4.5 本章小结 | 第64-66页 |
| 第5章 总结与展望 | 第66-68页 |
| 5.1 本文工作总结 | 第66-67页 |
| 5.2 下一步的研究工作 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-76页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第76页 |
