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模型代码详解
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
(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.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
四:遥感影像目标检测任务
(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
(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