基于python深度学习遥感影像地物分类与目标识别、分割
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。
一、深度学习发展与机器学习
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.梯度下降算法
5.不同模型初始化，学习率对结果的影响
6.超参数评估实例分析
7.从机器学习到深度学习算法
二、深度卷积网络基本原理
1．基本ENVI波谱操作
2．卷积神经网络的基本原理
3．卷积运算的原理
4．池化操作，全连接层，以及分类器的作用
5．BP反向传播算法
6．一个简单CNN模型代码
7．特征图，卷积核可视化分析
三、TensorFlow与Keras
1. TensorFlow
2.静态计算图，会话等机制理解
3.TensorFlow的使用
4.TensorFlow
5.TensorBoard的基本使用与API
6.Keras
7.Keras与TensorFlow的关系
(1)使用TensorFlow搭建神经网络并实现手写数字的分类
(2)使用Keras搭建神经网络并实现手写数字的分类
四、PyTorch
1.PyTorch
2.动态计算图等机制
3.PyTorch与TensorFlow的差异
4.PyTorch的使用
（1）Pytorch使用
五、卷积神经网络实践与遥感图像场景分类
1.遥感图像场景数据集处理方案
2.使用TensorFlow完成卷积神经网络的搭建
3.细粒度讲解代码实现与卷积神经网络参数含义
4.实现深度学习模型的训练，存储和预测
5.模型的finetuning策略
使用TensorFlow实现对mnist，sat-4数据集进行分类
搭建VGG16模型完成EuroSAT多光谱数据集的场景分类
六、深度学习与遥感图像检测
1.图像检测
2.检测数据集的表示方式
3.模型评估方案，包括正确率，精确率，召回率，mAP等内容
4.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. one-stage（一阶）检测模型框架，Yolo，SDD
6.现有检测模型发展
七、遥感图像检测
（1）一份完整的Faster-RCNN 模型下实现对SpaceNet遥感数据集建筑
（2）物检测任务的代码
（3）数据集的制作过程，包括数据的存储和处理
（4）数据集标签的制作
（5）模型的搭建，组合和训练
（6）检测任数据集在验证过程中的注意事项
八、深度学习与遥感图像分割
1.图像分割
2.FCN，SegNet，U-net等模型的差异
3.分割模型的发展小结
4.遥感图像分割任务和图像分割的差异
5.在遥感图像分割任务中的注意事项
6.部分具体的应用
九、遥感图像分割
（1）一份完整的使用U-net实现遥感图像分割任务的代码
（2）数据集的准备和处理
（3）遥感图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
十、深度学习优化技巧与数据标注工具
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.针对数据的优化策略
4.针对模型的优化策略
5.针对训练过程的优化策略
6.针对检测任务的优化策略
7.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
