基于深度学习卷积神经网络的高分辨率SAR图像目标检测研究

声明

摘要

第一章绪论

1．1研究背景和意义

1．1．1 SAR的发展史

1．1．2深度学习发展史

1．1．3高分辨率SAR图像

1．2 SAR图像目标检测研究现状

1．3卷积神经网络在目标检测中的研究现状

1．3．1 two-stage检测方法

1．3．2 one-stage方法

1．4本文工作及内容安排

第二章传统SAR图像检测与YOLOv3

2．1传统SAR图像检测方法

2．1．1 SAR图像预处理

2．1．2 SAR图像特征提取

2．1．3检测方法

2．1．4小结

2．2 YOLOv3卷积神经网络模型

2．2．1卷积层

2．2．2激活函数层

2．2．3 BN归一化处理

2．2．4残差模块

2．3 YOLOv3检测原理与损失函数

2．3．1 YOLOv3检测原理

2．3．2损失函数

2．3．3反向传播

2．4本章小结

第三章基于改进YOLOv3的SAR图像检测算法

3．1引言

3．2数据集生成与预处理

3．2．1数据集制作

3．2．2数据集增强

3．3 SAR-YOLO-960网络框架

3．3．1 YOLOv3测试实验结果与分析

3．3．2 SAR-YOLO-960网络模型

3．3．3损失函数改进

3．4算法流程

3．5实验结果与分析

3．5．1 Daknet-SAR对检测性能的影响

3．5．2与其他方法对比

3．6本章小结

第四章基于超高分辨率SAR图像的SAR-YOLT-960算法

4．1引言

4．2迁移学习和K-means

4．2．2迁移学习

4．2．3 K-means聚类候选框

4．3集成滑窗检测的SAR-YOLT-960

4．3．1 SAR-YOLO-960超高分辨率图测试结果

4．3．2集成滑窗检测的SAR-YOLT-960算法

4．4算法流程

4．5实验结果与分析

4．5．1 K-means聚类和迁移学习结果分析

4．5．2 SAR-YOLT-960测试高分辨率SAR图像结果分析

4．6本章小结

第五章总结与展望

参考文献

致谢

附录