本文评估了多种深度学习模型在合成孔径雷达（SAR）自动目标识别中的表现。研究发现，图神经网络（GNN）在推理性能上优于其他模型，但没有单一模型在所有指标上占绝对优势。此外，提出了一种结合传统特征提取与自监督学习的新方法，显著提升了识别准确性，并在少样本学习中表现出色。

本文介绍了海洋技术的最新进展，包括基于深度学习的自动目标识别、三维重建和水下声学识别方法。这些技术通过自主水下载具和先进算法，提高了海底数据获取的准确性和效率，推动了海洋科学的发展。

本文提出了一种基于贝叶斯神经网络的合成孔径雷达自动目标识别系统，能够有效检测敌对攻击并生成可视化解释。实验结果显示，该系统的识别率超过80%，误报率低于20%。研究还探讨了因果模型和对比学习等方法，以提高目标识别的鲁棒性，并展示了在不同数据集上的有效性。

本文研究了基于深度神经网络的合成孔径雷达自动目标识别系统对对抗性攻击的脆弱性，并提出了一种无需直接访问受害者模型或测量数据的方法，通过合成数据生成对抗扰动并迁移到受害者模型上。该方法优于目前的最先进方法，并可提升计算机视觉和遥感应用中的各种攻击算法。