随着无人机自动化能力的逐步升级,它被广泛的应用于多种领域,如航拍、农业、植保、灾难评估、救援、测绘、电力巡检等。但同时由于无人机飞行高度低、获取目标类型多、以及环境复杂等因素使得对无人机获取的数据处理越来越复杂。最近借助深度学习方法,基于卷积神经网络的无人机目标识别取得了令人印象深刻的结果。深度卷积网络采用“端对端”的特征学习,通过多层的特征抽取,它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,这也是其在无人机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。同时,以PyTorch等为主体的深度学习平台也为使用卷积神经网络提供了程序框架。然而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、运行及处理难度大,各类深度学习平台的掌握也并不容易。
深度卷积网络知识
1.深度学习在无人机图像识别中的范式和问题
2.深度学习的历史发展历程
3.机器学习,深度学习等任务的基本处理流程
4. 卷积神经网络的基本原理
5. 卷积运算的原理和理解
6. 池化操作,全连接层,以及分类器的作用
7. BP反向传播算法
8. CNN模型代码
9.特征图,卷积核可视化分析
PyTorch应用与实践
1.PyTorch简介
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的基本使用与API
6.PyTorch图像分类任务
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手写数字的分类
(3)使用PyTorch修改模型并提升分类模型表现
卷积神经网络实践与无人机影像目标检测
1.深度学习下的无人机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.现有检测模型发展小结
无人机影像目标检测任务案例
案例 1:
(1)一份完整的Faster-RCNN 模型下实现对无人机影像的目标检测
(2)数据集的制作过程,包括数据的存储和处理,并使用PyTorch加载数据集。
(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
案例 2:
(1)无人机影像的植物识别和统计
深度学习与无人机影像分割任务
1.深度学习下的无人机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.无人机影像分割任务和图像分割的差异
5.在无人机影像分割任务中的注意事项
案例
(1)无人机土地覆盖分类案例
(2)讲解数据集的准备和处理
(3)无人机影像划分成小图像的策略
(4)模型的构建和训练方法
(5)验证集的使用过程中的注意事项
点云数据的语义分类任务与深度学习优化技巧
1.深度学习下的ASL(机载激光扫描仪)点云数据语义分类任务的基本知识
2.PointNet与PointNet++等模型的基本
案例:
(1)点云数据的预处理和划分
(2)点云数据的语义分割
(3)点云数据的预测结果分析
深度学习相关技巧总结:
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