ToB企服应用市场:ToB评测及商务社交产业平台

标题: 遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR） [打印本页]

作者: 玛卡巴卡的卡巴卡玛 时间: 2025-2-20 23:17
标题: 遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR）
我国高分辨率对地观测体系重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB，遥感大数据期间已然来临。随着小卫星星座的遍及，对地观测已具备3次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业丈量、军事目标辨认和灾害评估中。最近借助深度学习方法，遥感影像主动地物辨认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，通过多层处理机制揭示隐藏于数据中的非线性特征，能够从大量练习集中主动学习全局特征，是其在遥感影像主动目标辨认取得乐成的重要缘故原由，也标志特征模子从手工特征向学习特征转变。另一方面，随着深度学习的不断发展，当前以Transformer等结构为基础模子的检测模子也发展迅速，在很多应用场景下乃至超过了原有的以CNN为主的检测模子。
专题一深度卷积网络知识详解
1.深度学习在遥感图像辨认中的范式和问题
2.深度学习的汗青发展进程
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.池化操纵，全连接层，以及分类器的作用
7.BP反向传播算法的理解
8.CNN模子代码详解
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简介
2.动态盘算图，静态盘算图等机制
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图像分类任务解说

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.解说目标检测模子的评估方案，包括正确率，精确率，召回率，mAP等
4.解说two-stage（二阶）检测模子框架，RCNN, Fast RCNN, Faster RCNN等框架的演变和差异
5.解说 one-stage（一阶）检测模子框架，SDD ，Yolo等系列模子
6.现有检测模子「CNN系列」发展小结，包括AlexNet，VGG，googleNet， ResNet，DenseNet等模子
7.从模子演变中解说实际练习模子的技巧

专题四卷积神经网络的遥感影像目标检测任务案例【FasterRCNN】
1.一份完整的Faster-RCNN 模子下实现遥感影像的目标检测
2.解说数据集的制作过程，包括数据的存储和处理
3.数据集标签的制作
4.模子的搭建，组合和练习
5.检测任数据集在验证过程中的注意事项

专题五 Transformer与遥感影像目标检测
1.从卷积运算到自注意力运算 self-attention
2.pytorch实现的自监视模块
3.从Transformer到Vision Transformer (ViT)
4.Transformer下的新目标检测范式，DETR
5.各类模子在遥感影像下的对比和调研

专题六 Transformer的遥感影像目标检测任务案例【DETR】
1.一份完整的DETR模子下实现遥感影像的目标检测
2.解说针对数据的优化策略
3.解说针对模子的优化策略
4.解说针对练习过程的优化策略
5.解说针对检测任务的优化策略
6.提供一些常用的检测，分割数据集的标注工具

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

欢迎光临 ToB企服应用市场:ToB评测及商务社交产业平台 (https://dis.qidao123.com/)