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技术
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。但卷积神经网络涉及到的数学模型和计算机算法都十分复杂、运行及处理难度很大，PyTorch平台的掌握也并不容易。使广大学者能理解卷积神经网络背后的数学模型和计算机算法，掌握利用PyTorch为基础的遥感影像地物分类，遥感图像目标检测，以及遥感图像目标分割等应用。
深度卷积网络知识详解
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.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模型代码详解
9.特征图，卷积核可视化分析
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
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.讲解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.讲解 one-stage（一阶）检测模型框架，SDD ，Yolo等系列模型
现有检测模型发展小结
遥感影像目标检测任务案例
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）讲解数据集的制作过程，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
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.讲解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）讲解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
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.讲解针对数据的优化策略
4.讲解针对模型的优化策略
5.讲解针对训练过程的优化策略
6.讲解针对检测任务的优化策略
7.讲解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
附加
根据科研或生产实际，集体讨论深度学习实施方案
提供若干附加材料，包括数据集，标签工具、代码以及学习材料
实例回顾、训练、巩固
注：请提前自备电脑及安装所需软件。
更多
1.遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR）
2.基于PyTorch深度学习无人机遥感影像目标检测、地物分类及语义分割实践技术应用
3.基于python深度学习遥感影像地物分类与目标识别、分割实践技术
4.从CNN到Transformer：基于PyTorch的遥感影像、无人机影像的地物分类、目标检测、语义分割和点云分类