遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR）实践技术应用_办公生活

遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR）实践技术应用

创始人

2024-03-24 08:37:05

我国高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。随着小卫星星座的普及，对地观测已具备3次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估中。最近借助深度学习方法，遥感影像自动地物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，通过多层处理机制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，是其在遥感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。另一方面，随着深度学习的不断发展，当前以Transformer等结构为基础模型的检测模型也发展迅速，在许多应用场景下甚至超过了原有的以CNN为主的检测模型。因此，为使广大学者能理解卷积神经网络Transformer的相关算法，掌握利用PyTorch为基础的遥感图像目标检测等应用

一、深度卷积网络知识详解

深度学习在遥感图像识别中的范式和问题
深度学习的历史发展历程
机器学习，深度学习等任务的基本处理流程
卷积神经网络的基本原理
卷积运算的原理和理解
池化操作，全连接层，以及分类器的作用
BP反向传播算法的理解
CNN模型代码详解
特征图，卷积核可视化分析

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

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 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「 CNN 系列」发展小结，包括 AlexNet，VGG，googleNet， ResNet，DenseNet 等模型 7. 从模型演变中讲解实际训练模型的技巧

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

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

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

词库加载错误:未能找到文件“E:\highferrum_mysql\Configuration\Dict_Stopwords.txt”。

上一篇：王道考研——操作系统（第二章进程管理）

下一篇：第3阶段-运维线上实战-3.2企业级nginx使用

遥感影像目标检测：从CNN（Faster-RCNN）到Transformer（DETR）实践技术应用

相关内容

热门资讯