本书主要讨论多极化合成孔径雷达图像的图像解译方法，重点是地物分类和识别方法，书中利用深度学习的先进模型和方法解决少样本的地物分类问题，获得较高的分类精确度。本书引人了作者团队最新的科研成果，由浅人深地介绍了5个深度学习方法，包括稀疏滤波和近邻保持的深度学习方法、距离度量的深度学习方法、半监督卷积神经网络的深度学习方法、半监督生成对抗网络的深度学习方法和图卷积网络的深度学习方法以及相应的训练策略和分类方法，解决少样本的多极化合成孔径雷达图像的地物分类问题。介绍方法时均给出了真实的合成孔径雷达数据集上的实验结果，以验证所述方法能提升地物分类的正确率和效率。 本书适合作为合成孔径雷达图像处理、识别、数据处理方向的研究生教材，也适合作为相关专业研究人员的参考书。

第1章 概论
1.1 研究背景
1.1.1 多极化SAR数据的表示形式
1.1.2 多极化SAR数据的极化特征
1.2 多极化SAR地物分类方法
1.2.1 无监督分类方法
1.2.2 有监督分类方法
1.2.3 半监督分类方法
1.3 本章小结
第2章 基于稀疏滤波和近邻保持的深度学习方法
2.1 背景与相关工作
2.1.1 多极化SAR数据预处理
2.1.2 稀疏滤波
2.2 方法原理
2.2.1 深度稀疏滤波网络
2.2.2 近邻保持正则项
2.2.3 算法步骤
2.3 实验结果与分析
2.3.1 仿真数据实验
2.3.2 荷兰Flevoland地区的AIRSAR数据实验结果
2.3.3 荷兰Flevoland地区的子图数据实验结果
2.3.4 美国San Francisco地区的RADARSAT-2数据实验结果
2.3.5 丹麦Foloum地区的EMISAR数据实验结果
2.3.6 西安地区的.RADARSAT一2数据实验结果
2.4 本章小结
第3章 基于距离度量学习的深度学习方法
3.1 距离度量学习
3.2 大边界近邻算法
3.3 方法原理
3.3.1 半监督大边界近邻算法
3.3.2 空间信息
3.3.3 算法步骤
3.4 实验结果与分析
3.4.1 仿真数据实验
3.4.2 荷兰Flevoland地区的AIRSAR数据实验结果
3.4.3 荷兰Flevoland地区的子图数据实验结果
3.4.4 美国San Francisco地区的RADARSAT-2数据实验结果
3.4.5 丹麦Foloum地区的EMISAR数据实验结果
3.4.6 西安地区的RADARSAT-2数据实验结果
3.5 本章小结
第4章 基于半监督卷积神经网络的深度学习方法
4.1 基于半监督卷积神经网络的多极化SAR地物分类
4.1.1 空间信息
4.1.2 非监督预训练
4.1.3 网络结构与训练方法
4.2 实验结果与分析
4.2.1 仿真数据实验
4.2.2 荷兰Flevoland地区的AIRSAR数据实验结果
4.2.3 荷兰Flevoland地区的子图数据实验结果
4.2.4 美国San Francisco地区的RADARSAT一2数据实验结果
4.2.5 西安地区的RADARSAT-2数据实验结果
4.3 本章小结
第5章 基于半监督生成对抗网络的深度学习方法
5.1 生成对抗网络的结构和原理
5.1.1 生成对抗网络的基本思想及结构
5.1.2 生成对抗网络的基本原理
5.1.3 生成对抗网络的训练技巧
5.2 基于流形正则约束的分类方法
5.2.1 半监督生成对抗网络分类方法
5.2.2 生成对抗网络的流形正则约束
5.2.3 网络模型和分类方法
5.3 基于自注意力模型的半监督生成对抗网络方法
5.3.1 自注意力模型
5.3.2 生成对抗网络的谱正则化
5.3.3 算法步骤
5.4 实验结果与分析
5.4.1 荷兰Flevoland地区的子图数据实验结果
5.4.2 荷兰Flevoland地区的AIRSAR数据实验结果
5.4.3 美国San Francisco地区的RADARSAT 2数据实验结果
5.4.4 德国Oberpfaffenhofen地区的E-SAR数据实验结果
5.5 本章小结
第6章 基于图卷积网络的深度学习方法
6.1 图神经网络概述
6.1.1 图网络模型
6.1.2 图卷积网络原理
6.2 基于图卷积网络的分类方法
6.2.1 空间信息的利用
6.2.2 融合空间信息的图卷积网络分类方法
6.3 图卷积网络的快速分类方法
6.3.1 图卷积网络的理解
6.3.2 直推式学习
6.3.3 半监督图卷积网络快速实现方法
6.3.4 大规模多极化SAR数据上的图卷积网络
6.4 实验结果与分析
6.4.1 分类结果
6.4.2 算法运行时间比较
6.5 本章小结
参考文献