| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1. 绪论 | 第7-15页 |
| 1.1. 研究背景与意义 | 第7-8页 |
| 1.2. 国内外研究现状 | 第8-12页 |
| 1.2.1. 传统舰船目标识别算法 | 第8-10页 |
| 1.2.2. 深度学习技术在SAR目标检测与识别中的应用 | 第10-12页 |
| 1.3. 论文组织结构 | 第12-15页 |
| 2. SAR舰船的区域卷积神经网络算法研究与改进 | 第15-37页 |
| 2.1. 基于区域建议的目标检测识别算法 | 第15-19页 |
| 2.1.1. 区域卷积神经网络及其发展 | 第15-16页 |
| 2.1.2. Faster R-CNN | 第16-18页 |
| 2.1.3. R-FCN | 第18-19页 |
| 2.2. 基于R-CNN的SAR舰船检测识别算法 | 第19-36页 |
| 2.2.1. 基于R-CNN的微尺度舰船检测识别 | 第19-23页 |
| 2.2.2. 网络模型训练与优化 | 第23-29页 |
| 2.2.3. 实验结果与分析 | 第29-36页 |
| 2.3. 本章小结 | 第36-37页 |
| 3. 基于生成对抗网络的SAR舰船图像样本增广 | 第37-51页 |
| 3.1. 生成对抗网络概述 | 第37-40页 |
| 3.1.1. 生成对抗网络 | 第37页 |
| 3.1.2. 生成对抗网络基础理论 | 第37-40页 |
| 3.2. 基于GAN的SAR舰船目标样本增广 | 第40-45页 |
| 3.2.1. 现有方法及不足 | 第40-41页 |
| 3.2.2. SAR舰船目标样本增广网络模型 | 第41页 |
| 3.2.3. 生成模型 | 第41-43页 |
| 3.2.4. 判别模型 | 第43-44页 |
| 3.2.5. 算法优化 | 第44-45页 |
| 3.3. 实验结果与分析 | 第45-49页 |
| 3.3.1. 数据库介绍 | 第45-47页 |
| 3.3.2. 实验结果与分析 | 第47-49页 |
| 3.4. 本章小结 | 第49-51页 |
| 4. 小样本条件下的微尺度SAR舰船目标识别方法设计 | 第51-71页 |
| 4.1. 训练数据集构建 | 第51-53页 |
| 4.1.1. SAR舰船图像获取及处理 | 第51-52页 |
| 4.1.2. 舰船目标标注 | 第52-53页 |
| 4.2. 小样本条件下检目标检测识别 | 第53-60页 |
| 4.2.1. 基于DCGAN的样本增广方法 | 第53-59页 |
| 4.2.2. 小样本条件下的检测识别算法的样本增广 | 第59页 |
| 4.2.3. 小样本条件下的训练及验证实验设计 | 第59-60页 |
| 4.3. 仿真实验结果及分析 | 第60-68页 |
| 4.3.1. 使用ZF模型的Faster R-CNN | 第60-63页 |
| 4.3.2. 使用VGG-16 模型的Faster R-CNN | 第63-65页 |
| 4.3.3. 使用Res Net-50 的R-FCN | 第65-68页 |
| 4.3.4. 结果分析 | 第68页 |
| 4.4. 本章小结 | 第68-71页 |
| 5. 微尺度小样本的深度学习算法训练系统设计 | 第71-83页 |
| 5.1. 系统方案设计 | 第71-74页 |
| 5.1.1. 需求分析 | 第71-74页 |
| 5.2. 系统架构设计 | 第74-77页 |
| 5.2.1. 算法训练方案设计 | 第75-76页 |
| 5.2.2. 算法测试方案设计 | 第76-77页 |
| 5.3. 研发过程 | 第77-81页 |
| 5.3.1. 数据库设计 | 第77-78页 |
| 5.3.2. 客户端开发 | 第78-80页 |
| 5.3.3. 服务端开发 | 第80-81页 |
| 5.4. 研发成果 | 第81-83页 |
| 6. 总结和展望 | 第83-85页 |
| 参考文献 | 第85-89页 |
| 攻读硕士学位期间发表学术论文情况 | 第89-90页 |
| 致谢 | 第90-91页 |
