基于PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化实践技术应用

遥感影像不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估中。

一：深度卷积网络知识

1.深度学习在遥感图像识别中的范式和问题

2.梳理深度学习的历史发展历程，从中理解深度学习在遥感应用中的优缺点

3.3.机器学习，深度学习等任务的处理流程

4．卷积神经网络的原理及应用

5．卷积运算的原理、方法

6．池化操作，全连接层，以及分类器的作用及在应用中的注意事项

7．BP反向传播算法的方法

8．CNN模型代码

9．特征图，卷积核可视化分析

二：PyTorch应用与实践（遥感图像场景分类）

1.PyTorch框架

2.动态计算图，静态计算图等机制

3.PyTorch的使用教程

4.PyTorch的学习案例

5.PyTorch的使用与API

6.PyTorch图像分类任务策略方法

案例：

（1）不同超参数，如初始化，学习率对结果的影响

（2）使用PyTorch搭建神经网络并实现遥感图像场景分类

三：卷积神经网络实践与遥感影像目标检测
1.深度学习下的遥感影像目标检测基本知识
2.目标检测数据集的图像和标签表示方式
3.讲解目标检测模型的评估方案，包括正确率，精确率，召回率，mAP等
4.two-stage（二阶）检测模型框架，RCNN, Fast RCNN, Faster RCNN等框架的演变和差异
5. one-stage（一阶）检测模型框架，SDD ，Yolo等系列模型
6.现有检测模型发展小结

四：遥感影像目标检测任务案例

案例 1：

（1）一份完整的Faster-RCNN 模型下实现遥感影像的目标检测

（2）数据集的制作过程，包括数据的存储和处理

（3）数据集标签的制作

（4）模型的搭建，组合和训练

（5）检测任数据集在验证过程中的注意事项

五：深度学习与遥感影像分割任务

1.深度学习下的遥感影像分割任务的基本概念

2.FCN，SegNet，U-net等模型的差异

3.分割模型的发展小结

4.遥感影像分割任务和图像分割的差异

5.在遥感影像分割任务中的注意事项

案例

（1）数据集的准备和处理

（2）遥感影像划分成小图像的策略

（3）模型的构建和训练方法

（4）验证集的使用过程中的注意事项

六：遥感影像问题探讨与深度学习优化技巧
1.现有几个优秀模型结构的演变原理，包括AlexNet，VGG，googleNet，ResNet，DenseNet等模型
2.从模型演变中讲解实际训练模型的技巧
3.针对数据的优化策略
4.针对模型的优化策略
5.针对训练过程的优化策略
6.针对检测任务的优化策略
7.针对分割任务的优化策略

8.提供一些常用的检测，分割数据集的标注工具