图像目标检测是找出图像中感兴趣的目标，并确定他们的类别和位置，是当前计算机视觉领域的研究热点。近年来，由于深度学习在图像分类方面的准确度明显提高，基于深度学习的图像目标检测模型逐渐成为主流。首先介绍了图像目标检测模型中常用的卷积神经网络；然后，重点从候选区域、回归和anchor-free方法的角度对现有经典的图像目标检测模型进行综述；最后，根据在公共数据集上的检测结果分析模型的优势和缺点，总结了图像目标检测研究中存在的问题并对未来发展做出展望。

红外飞机小目标数据集，共22个data文件夹，每个data文件夹都有标注，不需要自己再做标注。可用于深度学习中红外飞机小目标检测使用，包括天空背景、地面背景、多架飞机、飞机远离、飞机靠近等多种情况。 此处为data2，其他数据集可查看本人其他发布。

为了实现遥感图像中目标的快速准确检测,解决遥感图像目标带有旋转角度的问题,在卷积神经网络理论的基础上,将旋转区域网络生成融入到Faster R-CNN网络中,提出了一种基于Faster R-CNN改进的遥感图像目标检测方法。相对于主流目标检测方法,本文算法针对遥感图像中的大多数目标都具有方向性不定且相对聚集的特点,在区域候选网络中加入了旋转因子,以便能够生成任意方向的候选区域;同时,在网络的全连接层之前增加一个卷积层,以降低其特征图参数,增强分类器的性能,避免出现过拟合。将本文算法与几种主流目标检测方法进行对比分析后可知,本文算法因融合了多尺度特征及旋转区域网络的卷积神经网络所提取的特征,能得到更好的检测结果。

红外弱小目标检测技术已成为国内外红外领域研究的重点。对红外弱小目标的特征进行了介绍；从基于空间域和变换域的滤波、人类视觉系统以及图像数据结构3个方面，对当前单帧图像的红外弱小目标检测算法的原理、主要步骤及特点进行了综述；分析了红外弱小目标检测技术的发展趋势。

自己实现的基于matlab的论文作者提出的二值图像目标邻域点法边界跟踪算法，比8邻域算法速度快。 自己实现的基于matlab的论文作者提出的二值图像目标邻域点法边界跟踪算法，比8邻域算法速度快。

基于支持向量机的SAR图像目标识别，毕业设计的论文模板，做关于这方面的毕业设计，赶紧下载参考参考吧

针对合成孔径雷达图像目标识别问题,在基于图像成像模型分析基础上,提出了一种融 合SAR目标轮廓和阴影轮廓的目标识别算法。首先提出了一种基于去控制标记符的SAR图像 分割算法,得到SAR图像目标轮廓和阴影轮廓,然后用这2种轮廓融合,用傅立叶描述子将二 维数据转为一维数据,最后用基于串接准则的融合算法得到识别结果,进行SAR目标识别。基 于MSTAR的实验结果验证了本算法的有效性。实验结果证明:目标轮廓和阴影轮廓的结合,除 反映本身包含的局部空间结构信息外,还能反映SAR目标的高度信息,较单一轮廓特征,是一

摘 要：为了准确地进行 SAR图像目标识别，提出一种基于稀疏表示的 SAR目标识别方法，在用主成分分析（PCA）进 行降维的前提下，利用降维后的训练样本构建稀疏线性模型，通过 ℓ1 范数最优化求解测试样本的稀疏系数解 x ，利用 系数的稀疏性分布进行目标的分类识别。基于 MSTAR数据进行了仿真验证，实验证明，基于稀疏表示的 SAR目标识 别方法在一定的特征维数下能够获得很好的识别性能，在目标方位角未知的情况下识别率仍可达到 98%以上。

能够实现简单得图像目标尺寸测量，已经发表过EI证实可靠性

基于卷积神经网络的SAR图像目标识别研究