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(yīng)用于礦產(chǎn)勘探、精準(zhǔn)農(nóng)業(yè)、城市規(guī)劃、林業(yè)測量、軍事目標(biāo)識別和災(zāi)害評估中。最近借助深度學(xué)習(xí)方法，基于卷積神經(jīng)網(wǎng)絡(luò)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(luò)采用“端對端”的特征學(xué)習(xí)，通過多層處理機(jī)制揭示隱藏于數(shù)據(jù)中的非線性特征，能夠從大量訓(xùn)練集中自動學(xué)習(xí)全局特征（這種特征被稱為“學(xué)習(xí)特征”），是其在遙感影像自動目標(biāo)識別取得成功的重要原因，也標(biāo)志特征模型從手工特征向?qū)W習(xí)特征轉(zhuǎn)變。以PyTorch為主體的深度學(xué)習(xí)平臺為使用卷積神經(jīng)網(wǎng)絡(luò)也提供程序框架。但卷積神經(jīng)網(wǎng)絡(luò)涉及到的數(shù)學(xué)模型和計算機(jī)算法都十分復(fù)雜、運行及處理難度很大，PyTorch平臺的掌握也并不容易。
一、深度卷積網(wǎng)絡(luò)知識詳解
1. 深度學(xué)習(xí)在遙感圖像識別中的范式和問題
2. 梳理深度學(xué)習(xí)的歷史發(fā)展歷程，從中理解深度學(xué)習(xí)在遙感應(yīng)用中的優(yōu)缺點
3. 3.機(jī)器學(xué)習(xí)，深度學(xué)習(xí)等任務(wù)的處理流程
4．卷積神經(jīng)網(wǎng)絡(luò)的原理及應(yīng)用
5．卷積運算的原理、方法
6．池化操作，全連接層，以及分類器的作用及在應(yīng)用中的注意事項
7．BP反向傳播算法的方法
8．CNN模型代碼詳解
9．特征圖，卷積核可視化分析
二、PyTorch應(yīng)用與實踐（遙感圖像場景分類）
1.PyTorch框架
2.動態(tài)計算圖，靜態(tài)計算圖等機(jī)制
3.PyTorch的使用教程
4.PyTorch的學(xué)習(xí)案例
5.PyTorch的使用與API
6.PyTorch圖像分類任務(wù)策略方法
案例：
（1）不同超參數(shù)，如初始化，學(xué)習(xí)率對結(jié)果的影響
（2）使用PyTorch搭建神經(jīng)網(wǎng)絡(luò)并實現(xiàn)遙感圖像場景分類
三、卷積神經(jīng)網(wǎng)絡(luò)實踐與遙感影像目標(biāo)檢測
1. 深度學(xué)習(xí)下的遙感影像目標(biāo)檢測基本知識
2. 目標(biāo)檢測數(shù)據(jù)集的圖像和標(biāo)簽表示方式
3. 目標(biāo)檢測模型的評估方案，包括正確率，精確率，召回率，mAP等
4. 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. one-stage（一階）檢測模型框架，SDD ，Yolo等系列模型
四、遙感影像目標(biāo)檢測任務(wù)案例
案例 1：
（1）一份完整的Faster-RCNN 模型下實現(xiàn)遙感影像的目標(biāo)檢測
（2）講解數(shù)據(jù)集的制作過程，包括數(shù)據(jù)的存儲和處理
（3）數(shù)據(jù)集標(biāo)簽的制作
（4）模型的搭建，組合和訓(xùn)練
（5）檢測任數(shù)據(jù)集在驗證過程中的注意事項
五、深度學(xué)習(xí)與遙感影像分割任務(wù)
1. 深度學(xué)習(xí)下的遙感影像分割任務(wù)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. 遙感影像分割任務(wù)和圖像分割的差異
5. 在遙感影像分割任務(wù)中的注意事項
案例
（1）講解數(shù)據(jù)集的準(zhǔn)備和處理
（2）遙感影像劃分成小圖像的策略
（3）模型的構(gòu)建和訓(xùn)練方法
（4）驗證集的使用過程中的注意事項
六、遙感影像問題探討與深度學(xué)習(xí)優(yōu)化技巧
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(xùn)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(xùn)練過程的優(yōu)化策略
6. 講解針對檢測任務(wù)的優(yōu)化策略
7. 講解針對分割任務(wù)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(biāo)注工具
文章來源：http://www.zghlxwxcb.cn/news/detail-670277.html
閱讀全文點擊：《基于PyTorch深度學(xué)習(xí)遙感影像地物分類與目標(biāo)檢測、分割及遙感影像問題深度學(xué)習(xí)優(yōu)化》文章來源地址http://www.zghlxwxcb.cn/news/detail-670277.html
到了這里，關(guān)于基于PyTorch深度學(xué)習(xí)遙感影像地物分類與目標(biāo)檢測、分割及遙感影像問題深度學(xué)習(xí)優(yōu)化的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
