深度卷積網(wǎng)絡采用“端對端”的特征學習，通過多層處理機制揭示隱藏于數(shù)據(jù)中的非線性特征，能夠從大量訓練集中自動學習全局特征（這種特征被稱為“學習特征”），是其在遙感影像自動目標識別取得成功的重要原因，也標志特征模型從手工特征向?qū)W習特征轉(zhuǎn)變。以PyTorch為主體的深度學習平臺為使用卷積神經(jīng)網(wǎng)絡也提供程序框架。但卷積神經(jīng)網(wǎng)絡涉及到的數(shù)學模型和計算機算法都十分復雜、運行及處理難度很大，PyTorch平臺的掌握也并不容易。使廣大學者能理解卷積神經(jīng)網(wǎng)絡背后的數(shù)學模型和計算機算法，掌握利用PyTorch為基礎的遙感影像地物分類，遙感圖像目標檢測，以及遙感圖像目標分割等應用。

深度卷積網(wǎng)絡知識詳解

1.深度學習在遙感圖像識別中的范式和問題
2.梳理深度學習的歷史發(fā)展歷程，從中理解深度學習在遙感應用中的優(yōu)缺點
3.機器學習，深度學習等任務的處理流程
4.卷積神經(jīng)網(wǎng)絡的原理及應用
5.卷積運算的原理、方法
6.池化操作，全連接層，以及分類器的作用及在應用中的注意事項
7.BP反向傳播算法的方法
8.CNN模型代碼詳解
9.特征圖，卷積核可視化分析

PyTorch應用與實踐（遙感圖像場景分類）

1.PyTorch框架
2.動態(tài)計算圖，靜態(tài)計算圖等機制
3.PyTorch的使用教程
4.PyTorch的學習案例
5.PyTorch的使用與API
6.PyTorch圖像分類任務策略方法案例：
（1）不同超參數(shù)，如初始化，學習率對結(jié)果的影響
（2）使用PyTorch搭建神經(jīng)網(wǎng)絡并實現(xiàn)遙感圖像場景分類

卷積神經(jīng)網(wǎng)絡實踐與遙感影像目標檢測

1.深度學習下的遙感影像目標檢測基本知識
2.目標檢測數(shù)據(jù)集的圖像和標簽表示方式
3.講解目標檢測模型的評估方案，包括正確率，精確率，召回率，mAP等
4.講解two-stage（二階）檢測模型框架，RCNN, Fast RCNN, Faster RCNN等框架的演變和差異
5.講解 one-stage（一階）檢測模型框架，SDD ，Yolo等系列模型
現(xiàn)有檢測模型發(fā)展小結(jié)

遙感影像目標檢測任務案例

案例：
（1）一份完整的Faster-RCNN 模型下實現(xiàn)遙感影像的目標檢測
（2）講解數(shù)據(jù)集的制作過程，包括數(shù)據(jù)的存儲和處理
（3）數(shù)據(jù)集標簽的制作
（4）模型的搭建，組合和訓練
（5）檢測任數(shù)據(jù)集在驗證過程中的注意事項?

深度學習與遙感影像分割任務

1.深度學習下的遙感影像分割任務的基本概念
2.講解FCN，SegNet，U-net等模型的差異
3.分割模型的發(fā)展小結(jié)
4.遙感影像分割任務和圖像分割的差異
5.在遙感影像分割任務中的注意事項

案例?
（1）講解數(shù)據(jù)集的準備和處理
（2）遙感影像劃分成小圖像的策略
（3）模型的構(gòu)建和訓練方法
（4）驗證集的使用過程中的注意事項

遙感影像問題探討與深度學習優(yōu)化技巧

1.現(xiàn)有幾個優(yōu)秀模型結(jié)構(gòu)的演變原理，包括AlexNet，VGG，googleNet，ResNet，DenseNet等模型
2.從模型演變中講解實際訓練模型的技巧
3.講解針對數(shù)據(jù)的優(yōu)化策略
4.講解針對模型的優(yōu)化策略
5.講解針對訓練過程的優(yōu)化策略
6.講解針對檢測任務的優(yōu)化策略
7.講解針對分割任務的優(yōu)化策略
8.提供一些常用的檢測，分割數(shù)據(jù)集的標注工具

附加
?根據(jù)科研或生產(chǎn)實際，集體討論深度學習實施方案
?提供若干附加材料，包括數(shù)據(jù)集，標簽工具、代碼以及學習材料
?實例回顧、訓練、鞏固
注：請?zhí)崆白詡潆娔X及安裝所需軟件。

更多

1.遙感影像目標檢測：從CNN（Faster-RCNN）到Transformer（DETR）
2.基于PyTorch深度學習無人機遙感影像目標檢測、地物分類及語義分割實踐技術(shù)應用
3.基于python深度學習遙感影像地物分類與目標識別、分割實踐技術(shù)
4.從CNN到Transformer：基于PyTorch的遙感影像、無人機影像的地物分類、目標檢測、語義分割和點云分類