遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR）
前言： 国家启动了高分辨率对地观测系统重大专项项目。该专项旨在构建一个全球天地一体化的立体对地观测网络系统，在确保高空间分辨率的同时兼顾高光谱和时间分辨率特性，并具有广泛的地面覆盖范围。该网络系统将成为保障国家安全的重要基础性战略资源，并在未来十年内每天产生的遥感数据总量将突破10 petabytes（PB）。随着商业小卫星星座的普及化发展及其组网技术的进步，在线运行的小卫星星座已实现全球3次以上连续覆盖能力，并带动遥感影像在多个领域获得更为广泛的应用。特别是在矿产资源勘探、精准农业监测、城市规划与管理、林业资源评估以及军事目标识别等场景中展现出显著的应用价值。近年来，在深度学习方法的支持下，基于Transformer架构等新型检测模型取得了显著进展；基于端到端学习策略构建了深度卷积网络模型，并成功实现了从传统手工特征提取向自动学习特征的重大转变；与此同时，在计算机视觉领域取得了一系列创新成果。
遥感影像目标检测技术在遥感领域具有重要地位。其在遥感领域的应用价值主要体现在提高制图精度、 cartography 精度以及地理信息系统（GIS）的应用等方面。该技术通过结合卷积神经网络（CNN）中的快速定位算法（Faster-RCNN）实现了对目标区域的高效定位。近年来随着计算机视觉的发展，特别是Transformer架构的提出带来了全新的研究思路与应用方法。传统的基于卷积神经网络的目标检测算法如Faster-RCNN主要依赖于滑动窗口搜索策略来实现候选区域的定位。然而由于其在线性时间复杂度上的不足导致实际应用中存在效率瓶颈。而Transformer类模型如DETR则通过并行计算的方式显著提升了计算效率并获得了更好的检测效果
专题一、深度卷积网络知识详解
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. 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
专题二、PyTorch应用与实践（遥感图像场景分类）
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
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. 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
阐述two-stage检测模型框架的发展历程，并详细探讨了这些主流框架（包括RCNN、Fast RCNN、Faster RCNN等）的技术特点及各自的技术演变与创新方向；并分析了各框架之间的技术差异与优劣对比。
5. 讲解 one-stage（一阶）检测模型框架，SDD ，Yolo等系列模型
现有检测模型「CNN系列」的发展历程总结中提到：涵盖该系列中的重要里程碑：AlexNet、VGG、GoogleNet、ResNet以及DenseNet等模型
7. 从模型演变中讲解实际训练模型的技巧
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 模型下实现遥感影像的目标检测
2. 讲解数据集的制作过程，包括数据的存储和处理
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
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实现的自监督模块
3. 从Transformer到Vision Transformer (ViT)
4. Transformer下的新目标检测范式，DETR
5. 各类模型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模型下实现遥感影像的目标检测
2. 讲解针对数据的优化策略
3. 讲解针对模型的优化策略
4. 讲解针对训练过程的优化策略
5. 讲解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
请查看原文获取更多信息