——————————————————————————————————————————

前言

遙感影像目標檢測技術近年來經歷了從傳統卷積神經網絡（CNN）到基于Transformer架構的演進。CNN，尤其是Faster-RCNN，憑借其強大的特征提取能力，在遙感影像目標檢測中取得了顯著成果。然而，Faster-RCNN在處理遙感影像時仍面臨挑戰，如對多尺度、多角度目標的檢測效率較低，且對復雜背景和遮擋的適應性不足。
隨著Transformer架構的引入，目標檢測技術迎來了新的突破。DETR（Detection Transformer）利用Transformer的全局特征建模能力，顯著提升了目標檢測的精度和效率。DETR通過端到端的訓練方式，減少了對人工標注數據的依賴，同時在處理遙感影像中的小目標和復雜場景時表現出色。此外，Transformer架構在多源數據融合方面也展現出優勢，能夠更好地挖掘遙感影像中的光譜和空間信息。
未來，隨著深度學習技術的不斷創新和多源數據融合的深入研究，遙感影像目標檢測將迎來更廣闊的發展空間。

專題一、深度卷積網絡知識

1. 深度學習在遙感圖像識別中的范式和問題

2. 深度學習的歷史發展歷程

3. 機器學習，深度學習等任務的基本處理流程

4. 卷積神經網絡的基本原理

5. 卷積運算的原理和理解

6. 池化操作，全連接層，以及分類器的作用

7. BP反向傳播算法的理解

8. CNN模型代碼詳解

9. 特征圖，卷積核可視化分析
   

專題二、PyTorch應用與實踐（遙感圖像場景分類）

1. PyTorch簡介

2. 動態計算圖，靜態計算圖等機制

3. PyTorch的使用教程

4. PyTorch的學習案例

5. PyTorch的基本使用與API

6. PyTorch圖像分類任務
   
   

專題三、卷積神經網絡實踐與遙感影像目標檢測

1. 深度學習下的遙感影像目標檢測基本知識

2. 目標檢測數據集的圖像和標簽表示方式

3. 目標檢測模型的評估方案，包括正確率，精確率，召回率，mAP等

4. two-stage（二階）檢測模型框架，RCNN, Fast RCNN, Faster RCNN等框架 的演變和差異

5. 講解one-stage（一階）檢測模型框架，SDD ，Yolo等系列模型

6. 現有檢測模型「CNN系列」發展小結，包括AlexNet，VGG，googleNet， ResNet，DenseNet等模型

7. 從模型演變中講解實際訓練模型的技巧
   
   

專題四、卷積神經網絡的遙感影像目標檢測任務案例【FasterRCNN】

1. 一份完整的Faster-RCNN 模型下實現遙感影像的目標檢測

2. 數據集的制作過程，包括數據的存儲和處理

3. 數據集標簽的制作

4. 模型的搭建，組合和訓練

5. 檢測任數據集在驗證過程中的注意事項
   

專題五、Transformer與遙感影像目標檢測

1. 從卷積運算到自注意力運算self-attention

2. pytorch實現的自監督模塊

3. 從Transformer到Vision Transformer (ViT)

4. Transformer下的新目標檢測范式，DETR

5. 各類模型在遙感影像下的對比和調研
   
   

專題六、Transformer的遙感影像目標檢測任務案例 【DETR】

1. 一份完整的DETR模型下實現遙感影像的目標檢測

2. 針對數據的優化策略

3. 針對模型的優化策略

4. 針對訓練過程的優化策略

5. 針對檢測任務的優化策略

6. 提供一些常用的檢測，分割數據集的標注工具
   
   

更多了解

V頭像