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——CNN原理、Faster RCNN/YOLO检测到U-Net分割等

深度卷积网络采用“端对端”的特征学习，通过多层处理机制揭示隐藏于数据中的非线性特征，能够从大量训练集中自动学习全局特征（这种特征被称为“学习特征”），是其在遥感影像自动目标识别取得成功的重要原因，也标志特征模型从手工特征向学习特征转变。以PyTorch为主体的深度学习平台为使用卷积神经网络也提供程序框架。

专题一 深度卷积网络

1.深度学习在遥感图像识别中的范式和问题

2.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.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

专题二 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

专题三 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.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

遥感影像目标检测任务案例：

（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 

专题四 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

专题五 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

★ 点 击 下 方 关 注，获取海量教程和资源！

↓↓↓