遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR）
发布时间
阅读量：
阅读量
我国启动了高分辨率对地观测系统重大专项项目。该系统通过构建一个覆盖全球的立体对地观测网络系统，在实现高空间分辨率、高光谱分辨率以及宽广面积覆盖的同时，将成为保障国家安全的重要战略资源。预计未来十年内全球每天产生的遥感数据总量将突破十 petabytes（PB），标志着遥感大数据时代的全面到来。
一、深度卷积网络知识
1.深度学习在遥感图像识别中的应用范式及面临的问题
2.深度学习的发展历程
3.机器学习与深度学习等技术的基本处理流程
4.卷积神经网络的工作原理
5.卷积运算的工作原理及其理解
6.池化操作、全连接层及其作用
7.BP反向传播算法的工作原理
8.CNN模型代码
9.特征图及其可视化分析；
卷积核的可视化分析。
二: PyTorch应用与实践（遥感图像场景分类）
1.PyTorch框架
2.包含动态计算图机制和静态计算图机制
3.PyTorch框架的使用教程
4.PyTorch框架的学习实践案例
5.PyTorch框架的基础使用方法及API介绍
6.PyTorch框架的图像分类任务模块
三:卷积神经网络实践与遥感影像目标检测
1.基于深度学习的遥感影像目标检测基础
2.遥感影像的目标检测数据集中的图像与标签表示方式
3.目标检测模型的评估指标涵盖准确率、精确率、召回率以及mAP等多个方面
4.两阶段（二阶段）检测模型框架的具体演变及其差异分析
5.一阶段（一阶）检测模型框架代表技术及其发展脉络
6.现有CNN系列模型的发展总结：从AlexNet到DenseNet的技术演进
7.通过分析模型演变过程来探讨实际训练中的关键技巧
FasterRCNN
FasterRCNN
五: Transformer与遥感影像目标检测
- 从经典的卷积运算向自注意力机制的过渡是近年来深度学习领域的重要演进方向之一。
- 基于Pytorch平台开发的一种新型自监督学习组件被广泛应用于模型训练过程中。
- 视觉Transformer架构（ViT）的发展标志着计算机视觉领域的重大突破。
- 基于Transformer框架的目标检测新范式——DETR，在复杂场景中展现出卓越性能。
- 在遥感影像数据上开展不同模型的对比分析与深入调研是当前研究热点。
DETR
全部评论 (0)
还没有任何评论哟~