目錄

專題一、深度學習發(fā)展與機器學習

專題二、深度卷積網(wǎng)絡基本原理

專題三、TensorFlow與Keras介紹與入門

專題四、PyTorch介紹與入門

專題五、卷積神經(jīng)網(wǎng)絡實踐與遙感圖像場景分類

專題六、深度學習與遙感圖像檢測

專題七、遙感圖像檢測案例

專題八、深度學習與遙感圖像分割

專題九、遙感圖像分割案例

專題十、深度學習優(yōu)化技巧與數(shù)據(jù)標注工具

---

我國高分辨率對地觀測系統(tǒng)重大專項已全面啟動，高空間、高光譜、高時間分辨率和寬地面覆蓋于一體的全球天空地一體化立體對地觀測網(wǎng)逐步形成，將成為保障國家安全的基礎(chǔ)性和戰(zhàn)略性資源。未來10年全球每天獲取的觀測數(shù)據(jù)將超過10PB，遙感大數(shù)據(jù)時代已然來臨。隨著小衛(wèi)星星座的普及，對地觀測已具備3次以上的全球覆蓋能力，遙感影像也不斷被更深入的應用于礦產(chǎn)勘探、精準農(nóng)業(yè)、城市規(guī)劃、林業(yè)測量、軍事目標識別和災害評估中。最近借助深度學習方法，基于卷積神經(jīng)網(wǎng)絡的遙感影像自動地物識別取得了令人印象深刻的結(jié)果。深度卷積網(wǎng)絡采用“端對端”的特征學習，通過多層處理機制揭示隱藏于數(shù)據(jù)中的非線性特征，能夠從大量訓練集中自動學習全局特征（這種特征被稱為“學習特征”），是其在遙感影像自動目標識別取得成功的重要原因，也標志特征模型從手工特征向?qū)W習特征轉(zhuǎn)變。以TensorFlow為主體的深度學習平臺為使用卷積神經(jīng)網(wǎng)絡也提供程序框架。但卷積神經(jīng)網(wǎng)絡涉及到的數(shù)學模型和計算機算法都十分復雜、運行及處理難度很大，TensorFlow平臺的掌握也并不容易。

專題一、深度學習發(fā)展與機器學習

1.深度學習在遙感圖像識別中的范式和問題

2.深度學習的歷史發(fā)展歷程

3.機器學習，深度學習等任務的基本處理流程

4.梯度下降算法講解

5.不同模型初始化，學習率對結(jié)果的影響

6.超參數(shù)評估實例分析

7.從機器學習到深度學習算法

專題二、深度卷積網(wǎng)絡基本原理

1．基本ENVI波譜操作介紹

2．卷積神經(jīng)網(wǎng)絡的基本原理

3．卷積運算的原理和理解

4．池化操作，全連接層，以及分類器的作用

5．BP反向傳播算法的理解

6．一個簡單CNN模型代碼理解

7．特征圖，卷積核可視化分析

專題三、TensorFlow與Keras介紹與入門

1. TensorFlow簡介

2.靜態(tài)計算圖，會話等機制理解

3.TensorFlow的使用教程

4.TensorFlow的學習案例

5.TensorBoard的基本使用與API

6.Keras的簡介

7.Keras與TensorFlow的關(guān)系，以及使用教程。

案例：

(1)使用TensorFlow搭建神經(jīng)網(wǎng)絡并實現(xiàn)手寫數(shù)字的分類

(2)使用Keras搭建神經(jīng)網(wǎng)絡并實現(xiàn)手寫數(shù)字的分類

專題四、PyTorch介紹與入門

9月22日20:00-22:00 1.PyTorch簡介

2.動態(tài)計算圖等機制

3.PyTorch與TensorFlow的差異

4.PyTorch的使用教程

案例

（1）Pytorch使用案例

專題五、卷積神經(jīng)網(wǎng)絡實踐與遙感圖像場景分類

1.遙感圖像場景數(shù)據(jù)集處理方案

2.使用TensorFlow完成卷積神經(jīng)網(wǎng)絡的搭建

3.細粒度講解代碼實現(xiàn)與卷積神經(jīng)網(wǎng)絡參數(shù)含義

4.實現(xiàn)深度學習模型的訓練，存儲和預測

5.模型的finetuning策略講解

案例：

使用TensorFlow實現(xiàn)對mnist，sat-4數(shù)據(jù)集進行分類

搭建VGG16模型完成EuroSAT多光譜數(shù)據(jù)集的場景分類

專題六、深度學習與遙感圖像檢測

1.講解圖像檢測的基本概念

2.講解檢測數(shù)據(jù)集的表示方式

3.講解模型評估方案，包括正確率，精確率，召回率，mAP等內(nèi)容

4.講解two-stage（二階）檢測模型框架，RCNN, Fast RCNN, Faster RCNN等框架的演變和差異

5.講解 one-stage（一階）檢測模型框架，Yolo，SDD

6.現(xiàn)有檢測模型發(fā)展小結(jié)

專題七、遙感圖像檢測案例

案例 ：

（1）一份完整的Faster-RCNN 模型下實現(xiàn)對SpaceNet遙感數(shù)據(jù)集建筑

（2）物檢測任務的代碼

（3）講解數(shù)據(jù)集的制作過程，包括數(shù)據(jù)的存儲和處理

（4）數(shù)據(jù)集標簽的制作

（5）模型的搭建，組合和訓練

（6）檢測任數(shù)據(jù)集在驗證過程中的注意事項

專題八、深度學習與遙感圖像分割

1.講解圖像分割的基本概念

2.講解FCN，SegNet，U-net等模型的差異

3.分割模型的發(fā)展小結(jié)

4.遙感圖像分割任務和圖像分割的差異

5.在遙感圖像分割任務中的注意事項

6.講解部分具體的應用案例

專題九、遙感圖像分割案例

案例

（1）一份完整的使用U-net實現(xiàn)遙感圖像分割任務的代碼

（2）講解數(shù)據(jù)集的準備和處理

（3）遙感圖像劃分成小圖像的策略

（4）模型的構(gòu)建和訓練方法

（5）驗證集的使用過程中的注意事項

專題十、深度學習優(yōu)化技巧與數(shù)據(jù)標注工具

1.現(xiàn)有幾個優(yōu)秀模型結(jié)構(gòu)的演變原理，包括AlexNet，VGG，googleNet，ResNet，DenseNet等模型

2.從模型演變中講解實際訓練模型的技巧

3.講解針對數(shù)據(jù)的優(yōu)化策略

4.講解針對模型的優(yōu)化策略

5.講解針對訓練過程的優(yōu)化策略

6.講解針對檢測任務的優(yōu)化策略

7.講解針對分割任務的優(yōu)化策略

8.提供一些常用的檢測，分割數(shù)據(jù)集的標注工具

原文鏈接