目录
专题一、深度学习发展与呆板学习
专题二、深度卷积网络基本原理
专题三、TensorFlow与Keras介绍与入门
专题四、PyTorch介绍与入门
专题五、卷积神经网络实践与遥感图像场景分类
专题六、深度学习与遥感图像检测
专题七、遥感图像检测案例
专题八、深度学习与遥感图像分割
专题九、遥感图像分割案例
专题十、深度学习优化本领与数据标注工具
我国高分辨率对地观测系统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环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底子性和战略性资源。未来10年环球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。随着小卫星星座的遍及，对地观测已具备3次以上的环球覆盖能力，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、军事目的识别和灾害评估中。最近借助深度学习方法，基于卷积神经网络的遥感影像自动地物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”的特性学习，通过多层处理机制揭示隐藏于数据中的非线性特性，能够从大量练习集中自动学习全局特性（这种特性被称为“学习特性”），是其在遥感影像自动目的识别取得乐成的重要原因，也标志特性模型从手工特性向学习特性转变。以TensorFlow为主体的深度学习平台为利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盘算机算法都十分复杂、运行及处理难度很大，TensorFlow平台的把握也并不容易。
专题一、深度学习发展与呆板学习
1.深度学习在遥感图像识别中的范式和问题
2.深度学习的历史发展历程
3.呆板学习，深度学习等任务的基本处理流程
4.梯度降落算法讲授
5.差别模型初始化，学习率对结果的影响
6.超参数评估实例分析
7.从呆板学习到深度学习算法
专题二、深度卷积网络基本原理
1．基本ENVI波谱操纵介绍
2．卷积神经网络的基本原理
3．卷积运算的原理和理解
4．池化操纵，全连接层，以及分类器的作用
5．BP反向传播算法的理解
6．一个简单CNN模型代码理解
7．特性图，卷积核可视化分析
专题三、TensorFlow与Keras介绍与入门
1. TensorFlow简介
2.静态盘算图，会话等机制理解
3.TensorFlow的利用教程
4.TensorFlow的学习案例
5.TensorBoard的基本利用与API
6.Keras的简介
7.Keras与TensorFlow的关系，以及利用教程。
案例：
(1)利用TensorFlow搭建神经网络并实现手写数字的分类
(2)利用Keras搭建神经网络并实现手写数字的分类
专题四、PyTorch介绍与入门
9月22日20:00-22:00 1.PyTorch简介
2.动态盘算图等机制
3.PyTorch与TensorFlow的差异
4.PyTorch的利用教程
案例
（1）Pytorch利用案例
专题五、卷积神经网络实践与遥感图像场景分类
1.遥感图像场景数据集处理方案
2.利用TensorFlow完成卷积神经网络的搭建
3.细粒度讲授代码实现与卷积神经网络参数含义
4.实现深度学习模型的练习，存储和推测
5.模型的finetuning计谋讲授
案例：
利用TensorFlow实现对mnist，sat-4数据集举行分类
搭建VGG16模型完成EuroSAT多光谱数据集的场景分类
专题六、深度学习与遥感图像检测
1.讲授图像检测的基本概念
2.讲授检测数据集的表示方式
3.讲授模型评估方案，包括正确率，精确率，召回率，mAP等内容
4.讲授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.讲授 one-stage（一阶）检测模型框架，Yolo，SDD
6.现有检测模型发展小结
专题七、遥感图像检测案例
案例 ：
（1）一份完整的Faster-RCNN 模型下实现对SpaceNet遥感数据集修建
（2）物检测任务的代码
（3）讲授数据集的制作过程，包括数据的存储和处理
（4）数据集标签的制作
（5）模型的搭建，组合和练习
（6）检测任数据集在验证过程中的注意事项
专题八、深度学习与遥感图像分割
1.讲授图像分割的基本概念
2.讲授FCN，SegNet，U-net等模型的差异
3.分割模型的发展小结
4.遥感图像分割任务和图像分割的差异
5.在遥感图像分割任务中的注意事项
6.讲授部分具体的应用案例
专题九、遥感图像分割案例
案例
（1）一份完整的利用U-net实现遥感图像分割任务的代码
（2）讲授数据集的准备和处理
（3）遥感图像分别成小图像的计谋
（4）模型的构建和练习方法
（5）验证集的利用过程中的注意事项
专题十、深度学习优化本领与数据标注工具
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.从模型演变中讲授实际练习模型的本领
3.讲授针对数据的优化计谋
4.讲授针对模型的优化计谋
5.讲授针对练习过程的优化计谋
6.讲授针对检测任务的优化计谋
7.讲授针对分割任务的优化计谋
8.提供一些常用的检测，分割数据集的标注工具
原文链接
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。 |
