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API5.1.PyTorch图像分类任务

5.2.不同超参数，如初始化，学习率对结果的影响

5.3.使用PyTorch搭建神经网络并实现手写数字的分类5.4.使用PyTorch修改模型并提升分类模型表现

三：卷积神经网络实践与目标检测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.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.无人机影像的植物识别和统计5.two-stage（二阶）检测模型框架，RCNN, Fast RCNN, Faster RCNN等框6.架的演变和差异7. one-stage（一阶）检测模型框架，SDD ，Yolo等系列模型8.现有检测模型「CNN系列」发展小结，包括OHEM、FCN、DCN等模型

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.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-attention2.pytorch实现的自监督模块3.从Transformer到Vision Transformer (ViT)4.ViT模型在遥感影像中的应用

六：Transformer的遥感影像目标检测任务案例 【DETR】1.Transformer下的新目标检测范式，DETR2.各类模型在遥感影像下的对比和调研3.一份完整的DETR模型下实现遥感影像的目标检测4.针对检测任务的优化策略

七：深度学习与遥感影像分割任务1.深度学习下的遥感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.遥感影像分割任务和图像分割的差异5.在遥感影像分割任务中的注意事项案例数据集的准备和处理遥感影像划分成小图像的策略模型的构建和训练方法验证集的使用过程中的注意事项

八：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1.PointNet与PointNet++等模型的基本讲解2.点云数据的预处理和划分3.点云数据的语义分割4.点云数据的预测结果分析

九：遥感影像问题探讨与深度学习优化技巧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

原文链接详见公众号：技术科研吧