深度卷积网络采用“端对端”的特征学习，通过多层的特征抽取，它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，这也是其在无人机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。同时，以PyTorch等为主体的深度学习平台也为使用卷积神经网络提供了程序框架。

专题一 深度卷积网络知识

1.深度学习在无人机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

9.特征图，卷积核可视化分析

专题二 PyTorch应用与实践

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

案例：

(1)不同超参数，如初始化，学习率对结果的影响

(2)使用PyTorch搭建神经网络并实现手写数字的分类

(3)使用PyTorch修改模型并提升分类模型表现

专题三 卷积神经网络实践与无人机影像目标检测

1.深度学习下的无人机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.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.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，SDD ，Yolo等系列模型

6.现有检测模型发展小结

无人机影像目标检测任务案例：

（1）一份完整的Faster-RCNN 模型下实现对无人机影像的目标检测

（2）数据集的制作过程，包括数据的存储和处理，并使用PyTorch加载数据集

（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

（6）无人机影像的植物识别和统计

专题四 深度学习与无人机影像分割任务

1.深度学习下的无人机影像分割任务的基本概念

2.FCN，SegNet，U-net等模型的差异

3.分割模型的发展小结

4.无人机影像分割任务和图像分割的差异

5.在无人机影像分割任务中的注意事项

案例：

（1）无人机土地覆盖分类案例

（2）数据集的准备和处理

（3）无人机影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

专题五 点云数据的语义分类任务与深度学习优化技巧

1.深度学习下的ASL（机载激光扫描仪）点云数据语义分类任务的基本知识

2.PointNet与PointNet++等模型

案例：

(1)点云数据的预处理和划分

(2)点云数据的语义分割

(3)点云数据的预测结果分析

深度学习相关技巧总结：

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

---

★ 点 击 下 方 关 注，获取海量教程和资源！

↓↓↓