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。

一：深度卷积网络知识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.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模型代码详解9.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API6.PyTorch图像分类任务

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.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「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.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.Transformer下的新目标检测范式，DETR5.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.针对数据的优化策略3.针对模型的优化策略4.针对训练过程的优化策略5.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

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

支持单位：