随着无人机自动化能力的逐步升级，它被广泛的应用于多种领域，如航拍、农业、植保、灾难评估、救援、测绘、电力巡检等。但同时由于无人机飞行高度低、获取目标类型多、以及环境复杂等因素使得对无人机获取的数据处理越来越复杂。最近借助深度学习方法，基于卷积神经网络的无人机目标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，通过多层的特征抽取，它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，这也是其在无人机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。同时，以PyTorch等为主体的深度学习平台也为使用卷积神经网络提供了程序框架。然而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、运行及处理难度大，各类深度学习平台的掌握也并不容易。

【专家】：陈博士，具有资深的技术底蕴和专业背景，且长期从事地理/遥感大数据，机器/深度学习，人工/类脑智能方面的研究工作，诸多成果已发表于所在领域的顶级学术期刊。

/// 基 于 PyTorch 深 度 学 习 无 人 机 遥 感 影 像 目 标 检 测、地 物 分 类 及 语 义 分 割 实 践 技 术 应 用

深度卷积网络知识详解

1.深度学习在无人机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.卷积神经网络的基本原理

5.卷积运算的原理和理解

6.池化操作，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模型代码详解

9.特征图，卷积核可视化分析

python遥感图像处理论文 pytorch遥感图像分类_深度学习

python遥感图像处理论文 pytorch遥感图像分类_pytorch_02

PyTorch应用与实践

1.PyTorch简介

2.动态计算图，静态计算图等机制

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图像分类任务讲解

案例：

(1)不同超参数，如初始化，学习率对结果的影响

(2)使用PyTorch搭建神经网络并实现手写数字的分类

(3)使用PyTorch修改模型并提升分类模型表现

python遥感图像处理论文 pytorch遥感图像分类_pytorch_03

python遥感图像处理论文 pytorch遥感图像分类_pytorch_04

卷积神经网络实践与无人机影像目标检测

1.深度学习下的无人机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.讲解目标检测模型的评估方案，包括正确率，精确率，召回率，mAP等

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，SDD ，Yolo等系列模型

6.现有检测模型发展小结

python遥感图像处理论文 pytorch遥感图像分类_python遥感图像处理论文_05

无人机影像目标检测任务案例

案例1：

（1）一份完整的Faster-RCNN 模型下实现对无人机影像的目标检测

（2）讲解数据集的制作过程，包括数据的存储和处理，并使用PyTorch加载数据集

（3）数据集标签的制作

（4）模型的搭建，组合和训练

（5）检测任数据集在验证过程中的注意事项

案例2：无人机影像的植物识别和统计

python遥感图像处理论文 pytorch遥感图像分类_深度学习_06


python遥感图像处理论文 pytorch遥感图像分类_目标检测_07

深度学习与无人机影像分割任务

1.深度学习下的无人机影像分割任务的基本概念

2.讲解FCN，SegNet，U-net等模型的差异

3.分割模型的发展小结

4.无人机影像分割任务和图像分割的差异

5.在无人机影像分割任务中的注意事项

案例

（1）无人机土地覆盖分类案例

（2）讲解数据集的准备和处理

（3）无人机影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

python遥感图像处理论文 pytorch遥感图像分类_目标检测_08


python遥感图像处理论文 pytorch遥感图像分类_pytorch_09


python遥感图像处理论文 pytorch遥感图像分类_python遥感图像处理论文_10

点云数据的语义分类任务与深度学习优化技巧

1.深度学习下的ASL（机载激光扫描仪）点云数据语义分类任务的基本知识

2.PointNet与PointNet++等模型的基本讲解

案例：

(1)点云数据的预处理和划分

(2)点云数据的语义分割

(3)点云数据的预测结果分析

深度学习相关技巧总结：

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

python遥感图像处理论文 pytorch遥感图像分类_目标检测_11


python遥感图像处理论文 pytorch遥感图像分类_深度学习_12

python遥感图像处理论文 pytorch遥感图像分类_python遥感图像处理论文_13

python遥感图像处理论文 pytorch遥感图像分类_目标检测_14

附加学习
根据科研或生产实际，集体讨论深度学习实施方案
提供若干附加材料，包括数据集，标签工具、代码以及学习材料
实例回顾、训练、巩固
答疑与讨论

更多
●【教程】基于PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化
●【教程】基于Python深度学习遥感影像地物分类与目标识别、分割
●【教程】PROSAIL模型前向模拟与植被参数遥感提取代码实现
●【教程】高光谱遥感数值建模技术及在植被、水体、土壤信息提取
●【教程】植被参数遥感反演与数据同化
●【教程】“卫星-无人机-地面”遥感数据快速使用及地物含量计算的实现方法
●【教程】陆面生态水文模拟与多源遥感数据同化的实践技术应用
●【教程】长时间序列遥感数据处理及在全球变化、物候提取、植被变绿与固碳分析、生物量估算与趋势分析等
●【教程】近地面无人机植被定量遥感与生理参数反演实践技术应用
●【教程】无人机遥感在农林信息提取中的实现方法与GIS融合应用
●【教程】InVEST模型在生态系统服务供需、碳中和等领域中的应用及论文写作技能
●【教程】MAXENT模型生物多样性生境模拟与保护优先区甄选、保护区布局优化评估及论文写作技巧