基于光学遥感影像的特定目标检测及识别 |
论文目录 | | | 摘要 | 第1-6页 | | abstract | 第6-10页 | | 第一章 绪论 | 第10-15页 | | 1.1 选题背景与研究意义 | 第10-11页 | | 1.2 遥感光学影像目标识别国内外研究现状 | 第11-13页 | | 1.3 主要研究内容 | 第13-14页 | | 1.4 论文结构组织 | 第14-15页 | | 第二章 遥感光学影像目标识别基础理论和相关技术 | 第15-23页 | | 2.1 光学遥感影像下的目标 | 第15-16页 | | 2.2 遥感影像目标识别技术流程 | 第16-21页 | | 2.2.1 候选目标区域提取 | 第17-18页 | | 2.2.2 目标特征提取 | 第18-20页 | | 2.2.3 目标分类 | 第20-21页 | | 2.3 针对光学遥感影像目标识别的关键问题 | 第21-22页 | | 2.4 本章小结 | 第22-23页 | | 第三章 基于FasterR-CNN算法的目标识别 | 第23-39页 | | 3.1 FasterR-CNN算法 | 第23-28页 | | 3.1.1 区域推荐网络RPN | 第24-26页 | | 3.1.2 FastR-CNN架构 | 第26-27页 | | 3.1.3 RPN和FastR-CNN共享特征 | 第27-28页 | | 3.2 网络训练过程 | 第28-30页 | | 3.3 实验结果分析 | 第30-38页 | | 3.3.1 网络参数与特征图可视化 | 第30-32页 | | 3.3.2 识别结果分析 | 第32-38页 | | 3.4 本章小结 | 第38-39页 | | 第四章 基于YOLO算法的目标识别 | 第39-59页 | | 4.1 YOLO算法 | 第39-42页 | | 4.2 YOLOv2算法 | 第42-48页 | | 4.2.1 算法细节改进 | 第42-45页 | | 4.2.2 网络结构模型优化 | 第45-47页 | | 4.2.3 联合训练机制 | 第47-48页 | | 4.3 网络训练过程 | 第48-52页 | | 4.3.1 分类器训练过程 | 第49-50页 | | 4.3.2 识别器训练过程 | 第50-52页 | | 4.4 实验结果分析 | 第52-58页 | | 4.5 本章小结 | 第58-59页 | | 第五章 实验分析 | 第59-65页 | | 5.1 实验环境与实验数据 | 第59-63页 | | 5.1.1 实验环境搭建 | 第59-60页 | | 5.1.2 实验数据说明 | 第60-63页 | | 5.2 算法性能评价指标 | 第63-64页 | | 5.3 算法效果对比分析 | 第64页 | | 5.4 本章小结 | 第64-65页 | | 第六章 结论 | 第65-66页 | | 致谢 | 第66-67页 | | 参考文献 | 第67-71页 | | 攻读硕士期间取得的研究成果 | 第71页 |
|
|
|
| |
