遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR）
我国重大专项全面启动高分辨率对地观测系统建设。该系统旨在打造全球构建了一体化立体对地观测网络体系,将成为保障国家安全的重要战略资源。数据显示,未来十年内,全球每天产生的遥感数据总量将突破10太byte,标志着遥感大数据时代正以前所未有的速度发展。随着小卫星星座的快速普及,该技术体系已实现具备全球3次以上的连续覆盖能力,其所得遥感影像正在得到广泛应用与深入应用,涵盖矿产勘探、精准农业、城市规划、林业测量、军事目标识别以及灾害评估等多个领域。值得注意的是,借助深度学习方法的应用,遥感影像在自动物像识别方面展现出了令人瞩目的成果
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
阐述两阶段（二阶）检测模型架构的发展过程及其对比分析
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」的发展历程涵盖AlexNet、VGG、GoogleNet、ResNet及DenseNet等各类主流网络架构
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
