●第1章 深度學習理論基礎
1.1 人工智能
1.1.1 人工智能的研究內容
1.1.2 人工智能的數學基礎
1.1.3 人工智能的發展階段
1.2 機器學習
1.2.1 機器學習概述
1.2.2 機器學習分類
1.2.3 機器學習算法
1.2.4 機器學習評價指標
1.2.5 機器學習應用領域
1.2.6 機器學習前沿和發展
1.3 深度學習
1.3.1 深度學習概述
1.3.2 深度學習模型
1.3.3 深度學習框架
1.3.4 深度學習的發展
第2章 人工神經網絡模型
2.1 神經網絡及其類型
2.1.1 神經網絡的架構
2.1.2 神經網絡的類型
2.2 神經網絡工作原理
2.3 神經網絡訓練和優化
2.3.1 神經網絡優化方法
2.3.2 神經網絡訓練算法
第3章 卷積神經網絡
3.1 卷積神經網絡
3.1.1 卷積神經網絡概述
3.1.2 卷積神經網絡構成
3.1.3 卷積神經網絡機理
3.1.4 卷積神經網絡的發展和應用
3.2 圖卷積神經網絡
3.2.1 圖神經網絡
3.2.2 圖卷積神經網絡
3.3 圖注意力網絡
3.3.1 注意力機制
3.3.2 圖注意力網絡
第4章 海洋硬目標檢測DL模型構建
4.1 機器學習海洋目標檢測現狀
4.2 OceanTDA模型構建
4.2.1 目標檢測神經網絡模型構建
4.2.2 目標檢測神經網絡模型訓練
4.2.3 目標檢測模型優化及評估
4.3 研究區域及數據選取
4.3.1 SAR技術發展
4.3.2 研究區域和數據選取
4.4 硬目標檢測實驗
4.4.1 CNN模型實驗
4.4.2 VGG模型實驗
4.4.3 OceanTDA9模型的實驗
第5章 海洋分布目標檢測DL模型構建
5.1 0ceanTDL模型構建
5.1.1 OceanTDL繫列模型構建
5.1.2 OceanTDL5和OceanTDA9比較
5.2 OceaTDL模型優化
5.3 分布目標檢測實驗
5.3.1 實驗區域及數據
5.3.2 目標檢測實驗
第6章 基於多核並行架構的海洋目標檢測
6.1 並行分布式訓練策略和架構
6.1.1 多核並行檢測研究現狀
6.1.2 並行分布式訓練策略
6.1.3 並行分布式訓練架構
6.2 模型訓練的多核並行架構設計
6.2.1 並行分布式架構設計
6.2.2 OISPMDA—FDS部署
6.3 模型訓練的多核並行實驗
6.3.1 實驗環境
6.3.2 單機單／雙GPU實驗
6.3.3 多機多CPU實驗
6.3.4 多機多GPU實驗
6.4 目標提取的多核並行實驗
6.4.1 多核並行海洋目標提取流程
6.4.2 基於CNN初檢CFAR目標提取實驗
6.4.3 卡方分布臨界值海洋目標提取實驗
6.4.4 基於Loglogistic海洋目標提取實驗
6.4.5 基於伴方差修正模型復雜海況目標提取實驗
參考文獻
全書共分6章。第1章深度學習理論基礎，闡述了人工智能、機器學習、深度學習理論、技術和方法以及三者之間的關繫。第2章人工神經網絡模型，總結介紹了神經網絡的架構、類型、工作原理和優化訓練方法。第3章卷積神經網絡，分析論述了深度學習的典型算法——卷積神經網絡的構成、機理、發展和應用，探討了深度學習的前沿模型——圖卷積神經網絡和圖注意力網絡的機制、優勢和實現方法。第4章海洋硬目標檢測DL模型構建，將深度學習引入海洋目標檢測領域，基於CNN構建了針對硬目標檢測的深度學習模型——OceanTDAx繫列模型，並對模型進行訓練、優化和評估，在此基礎上采用所構建的模型進行海洋目標檢測實驗。第5章海洋分布目標檢測DL模型構建，構建了針對海洋分布目標檢測的深度學習模型——OceanTDLx繫列模型，並對模型進行訓練、優化和目標檢測實驗。第6章基於多核並行架構的海洋目標檢測，設計了OISPMDA—FDB多等
