目录
专题一、深度学习发展与机器学习
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、深度学习优化技巧与数据标注工具
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，遥感大数据时代已然来临。随着小卫星星座的普及，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、林业测量、军事目标识别和灾害评估中。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，能够从大量训练集中自动学习全局特征（这种特征被称为“学习特征”），是其在遥感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。以TensorFlow为主体的深度学习平台为使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计算机算法都十分复杂、运行及处理难度很大，TensorFlow平台的掌握也并不容易。
专题一、深度学习发展与机器学习
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.机器学习，深度学习等任务的基本处理流程
4.梯度下降算法讲解
5.不同模型初始化，学习率对结果的影响
6.超参数评估实例分析
7.从机器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波谱操作介绍
2．卷积神经网络的基本原理
3．卷积运算的原理和理解
4．池化操作，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．特征图，卷积核可视化分析
专题三、TensorFlow与Keras介绍与入门
1. TensorFlow简介
2.静态计算图，会话等机制理解
3.TensorFlow的使用教程
4.TensorFlow的学习案例
5.TensorBoard的基本使用与API
6.Keras的简介
7.Keras与TensorFlow的关系，以及使用教程。
案例：
(1)使用TensorFlow搭建神经网络并实现手写数字的分类
(2)使用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.动态计算图等机制
3.PyTorch与TensorFlow的差异
4.PyTorch的使用教程
案例
（1）Pytorch使用案例
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.使用TensorFlow完成卷积神经网络的搭建
3.细粒度讲解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训练，存储和预测
5.模型的finetuning策略讲解
案例：
使用TensorFlow实现对mnist，sat-4数据集进行分类
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.讲解图像检测的基本概念
2.讲解检测数据集的表示方式
3.讲解模型评估方案，包括正确率，精确率，召回率，mAP等内容
4.讲解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.讲解 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遥感数据集建筑
（2）物检测任务的代码
（3）讲解数据集的制作过程，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，组合和训练
（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.讲解图像分割的基本概念
2.讲解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.讲解部分具体的应用案例
专题九、遥感图像分割案例
案例
（1）一份完整的使用U-net实现遥感图像分割任务的代码
（2）讲解数据集的准备和处理
（3）遥感图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
专题十、深度学习优化技巧与数据标注工具
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.从模型演变中讲解实际训练模型的技巧
3.讲解针对数据的优化策略
4.讲解针对模型的优化策略
5.讲解针对训练过程的优化策略
6.讲解针对检测任务的优化策略
7.讲解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
原文链接
