http://xueshu.baidu.com/s?wd=paperuri:(26311040ba5905087a72937398b1a009)&filter=sc_long_sign&sc_ks_para=q%3DShip+Detection+in+Spaceborne+Optical+Image+With+SVD+Networks&tn=SE_baiduxueshu_c1gjeupa&ie=utf-8&sc_us=7928625775008980591
链接是论文的地址，可以免费下载。
在看这篇文章之前，先了解了什么是SVD，就是奇异值分解，矩阵的分解，记得在计算方法这么课程里有讲过，但是只是浅浅的。
http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html
这个是有关SVD的和PCA分解的讲述。
如果对矩阵不是很熟悉还可以看一下
http://blog.csdn.net/myan/article/details/1865397
对矩阵加深理解。
论文现在的理解也没有很到位，但是目前看懂到c1,c2层的Convolutions是通过将样本的奇异分解，因为是正交矩阵，所以再分解后再进行监测的时候可以将特征向量留下。在论文第九页里，看到这里才懂一些些。前面两层卷积操作，是无监督学习，就是通过样本的奇异值的分解，再加入一些操作，得到 奇异矩阵，变换大小最后得到类似于卷积神经网络的核。（我是这么理解的）。感觉是有道理的，这样，由于分解后是正交矩阵，再训练后用的时候，会将不是主要特征的部分除去。
在section two里的有关SVDnet的 structure的讲解不太懂后面的有关 HIstorm的意义，还有就是第七页里the final feature description 这里表达不是很理解。
oh! 第三层的还没有怎么看懂。不过，最后是SVM进行分类的。继续加油！