本书打破传统思路，将传感器数据视为二维连续可积空间的有限长信号，通过构造多维复信号实现幅度和相位调制，同时挖掘信号的整体结构描述与局部细节描述，并将其分别融合到机器学习和深度学习理论框架内，实现稳健判决。
本书共4个部分，第 一部分介绍背景与基础知识，包括目标识别导论、目标检测与识别的困难与挑战，以及目标检测与识别的经 典流程；第 二部分介绍模型驱动技术方案，包括电磁散射建模方法、统计分布建模方法、相关滤波匹配方法、时频变换方法及解析信号表示方法；第三部分介绍深度学习技术路线，包括深度学习的背景、神经网络模型，以及端到端目标检测；第四部分介绍联合驱动解决方案，介绍典 型科学问题、样本数据制约的解决方案，以及计算能力制约的解决方案，然后对未来的研究进行思考与展望。
本书既适合雷达目标识别、图像识别等领域的研究人员、相关专业的研究生阅读，也可供工业界相关方向的开发人员参考。

第 一部分背景与基础知识

第 1 章目标识别导论 ．3
1．1 基本要素 4
1．1．1 目标先验信息 4
1．1．2 目标观测数据 5
1．1．3 目标识别方法 6
1．1．4 相似性度量 8
1．2 经典的技术路线 10
1．2．1 模板匹配目标识别 10
1．2．2 模型视觉目标识别 11
1．3 典型的识别系统 13

第 2 章目标检测与识别的困难与挑战 18
2．1 雷达成像的特点 18
2．1．1 后向散射机制 19
2．1．2 平面斜距投影 19
2．1．3 像素物理意义 20
2．1．4 相干斑点噪声 20
2．1．5 旁瓣与散焦 21
2．2 困难与挑战 22
2．2．1 成像参数变化 23
2．2．2 目标本身变化 24
2．2．3 周围环境变化 27

第3 章目标检测与识别的经典流程 30
3．1 目标检测 30
3．1．1 恒虚警率检测 30
3．1．2 广义似然比检测 32
3．2 目标鉴别 33
3．2．1 目标特征提取 34
3．2．2 鉴别特征选择 35
3．2．3 鉴别分类判决 35
3．3 目标分类 36

第二部分模型驱动技术方案

第4 章电磁散射建模方法 41
4．1 参数化电磁散射模型 41
4．1．1 点散射中心模型 42
4．1．2 衰减指数模型 43
4．1．3 几何绕射理论模型 43
4．1．4 属性散射中心模型 44
4．2 散射中心参数估计 45
4．2．1 现代谱估计 45
4．2．2 最大似然估计 47
4．2．3 稀疏优化估计 48
4．3 特征匹配与判决 51
4．3．1 散射点集匹配 51
4．3．2 散射区域匹配 52

第5 章统计分布建模方法 55
5．1 相干斑原理与特性 55
5．1．1 相干斑的成因 55
5．1．2 相干斑的统计特性 56
5．1．3 多视处理 57
5．1．4 多视相干斑的统计特性 57
5．2 参数化概率统计建模 59
5．2．1 一维距离像统计建模 59
5．2．2 SAR 图像统计建模 60
5．2．3 参数估计方法 64
5．3 非参数化概率统计建模 ．66
5．4 统计推断与决策 68

第6 章相关滤波匹配方法 70
6．1 线性相关滤波器 71
6．2 核函数映射 75
6．2．1 非线性映射 75
6．2．2 典型的核函数 76
6．2．3 核函数的性质 78
6．3 无穷维特征空间相关滤波器 79
6．4 有限维特征空间相关滤波器 80
6．4．1 相关熵 80
6．4．2 相关熵滤波 81
6．5 多项式相关滤波器 83
6．6 相关响应评价指标 87

第7 章时频变换方法 88
7．1 傅里叶变换 88
7．1．1 傅里叶级数 89
7．1．2 从傅里叶级数到傅里叶变换 89
7．1．3 二维傅里叶变换 90
7．2 短时傅里叶变换 91
7．2．1 加窗傅里叶变换 92
7．2．2 时频域分辨率 93
7．2．3 窗函数及其性能指标 94
7．3 Gabor 变换 95
7．3．1 一维Gabor 核 95
7．3．2 二维Gabor 核 96
7．4 小波变换 97

第8 章解析信号表示方法 99
8．1 希尔伯特变换 ．99
8．1．1 解析信号 101
8．1．2 解析信号的性质 102
8．2 高维信号Riesz 变换 104
8．2．1 Riesz 变换 ．105
8．2．2 图像解析信号表示 108

第三部分深度学习技术路线

第9 章深度学习的背景 117
9．1 海量数据的支撑 117
9．1．1 通用数据集 117
9．1．2 SAR 数据集 120
9．2 计算模式的改变 125

第 10 章神经网络模型 128
10．1 神经网络 130
10．1．1 梯度下降算法 131
10．1．2 误差反向传播算法 132
10．2 深度学习 134
10．2．1 深度学习的基本概念 134
10．2．2 深度学习的处理流程 135
10．2．3 深度学习的主要特点 136
10．3 生成式模型 ．138
10．3．1 变分推理思想 138
10．3．2 对抗博弈思想 141
10．3．3 可逆分布变换 144
10．3．4 去噪扩散模型 145
10．4 判别式模型 ．147
10．4．1 经典卷积模式 148
10．4．2 典型卷积模块 152
10．5 混合式模型 ．154
10．5．1 条件生成对抗网络 154
10．5．2 半监督生成对抗网络 155
10．5．3 互信息生成对抗网络 155
10．5．4 辅助条件生成对抗网络 156

第 11 章端到端目标检测 158
11．1 深度学习目标检测 158
11．1．1 预设锚框目标检测 160
11．1．2 无锚框目标检测 162
11．2 骨干网络模型 164
11．2．1 通用网络模型 164
11．2．2 专属网络模型 166
11．3 典型损失函数 168
11．3．1 类别损失 168
11．3．2 位置损失 169
11．4 主要评价指标 171
11．4．1 单一评价指标 171
11．4．2 综合评价指标 172

第四部分联合驱动解决方案

第 12 章典型科学问题 177
12．1 分类任务场景 177
12．1．1 实验数据集 177
12．1．2 网络模型性能评测 179
12．1．3 训练样本数量评测 180
12．2 检测任务场景 182
12．2．1 实验数据集 182
12．2．2 目标检测范式性能对比 182
12．2．3 骨干网络性能对比 183
12．2．4 数据增强性能对比 184

第 13 章样本数据制约的解决方案 186
13．1 样本有限的解决方案 ．186
13．2 目标检测任务 188
13．2．1 构建目标切片集 188
13．2．2 构建杂波场景集 190
13．2．3 多样化检测场景重建 190
13．3 检测性能验证 191
13．3．1 检测范式验证 192
13．3．2 检测可视化结果 194
13．3．3 杂波统计建模验证 195
13．3．4 目标扩展微调验证 196
13．4 分类识别任务 197
13．4．1 SAR 成像原理 197
13．4．2 目标姿态扩展成像 198
13．4．3 跨域随机扰动成像 200
13．4．4 背景杂波迁移成像 202
13．4．5 子孔径随机分解成像 203
13．4．6 分辨率随机降低成像 204
13．5 分类性能验证 204
13．5．1 离线样本扩充 204
13．5．2 在线样本扩充 206
13．6 跨域知识迁移 207
13．6．1 仿真数据知识迁移 208
13．6．2 同源数据知识迁移 211
13．6．3 异源数据知识迁移 212
13．6．4 迁移学习的机制 212
13．6．5 学习模型结构迁移 213
13．6．6 知识迁移实验验证 213

第 14 章计算能力制约的解决方案 215
14．1 网络剪枝 215
14．1．1 细粒度剪枝 217
14．1．2 粗粒度剪枝 218
14．2 模型量化 218
14．2．1 线性量化与非线性量化 218
14．2．2 饱和量化与非饱和量化 219
14．2．3 后训练量化与量化感知训练220
14．3 低秩分解 220
14．3．1 矩阵奇异值分解 220
14．3．2 高阶张量分解 221
14．4 知识蒸馏 221
14．5 轻量化网络 ．223

第 15 章思考与展望 224
15．1 目标检测任务 225
15．2 分类识别任务 226
15．3 样本扩充任务 227
15．3．1 困难与挑战 227
15．3．2 通用相似度量 228
15．3．3 通用模型评估 229

参考文献 231