从CNN到Transformer：基于PyTorch的遥感影像、无人机影像的地物分类、目标检测、语义分割和点云分类

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。随着小卫星星座的普及，对地观测已具备多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。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。

点击查看原文链接https://mp.weixin.qq.com/s?__biz=Mzg2NDYxNjMyNA==&mid=2247533277&idx=5&sn=ed2dfba5de2bfa148052a0ec70370a47&chksm=ce64a836f9132120915783159176c9f573513af3ce147d51a754a37309298dc7a5a9087dd7f6&scene=21#wechat_redirect

另一方面，随着无人机自动化能力的逐步升级，它被广泛的应用于多种领域，如航拍、农业、植保、灾难评估、救援、测绘、电力巡检等。但同时由于无人机飞行高度低、获取目标类型多、以及环境复杂等因素使得对无人机获取的数据处理越来越复杂。

面对这些挑战，当前基于卷积神经网络的影像自动识别取得了令人印象深刻的结果。深度卷积网络采用"端对端"的特征学习，通过多层处理机制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（这种特征被称为"学习特征"），是其在遥感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，当前以Transformer等结构为基础模型的检测模型也发展迅速，在许多应用场景下甚至超过了原有的以CNN为主的模型。虽然以PyTorch为主体的深度学习平台为使用卷积神经网络也提供程序框架。但卷积神经网络涉及到的数学模型和计算机算法都十分复杂、运行及处理难度很大，PyTorch平台的掌握也并不容易。使广大学者能理解卷积神经网络背后的数学模型和计算机算法，掌握利用PyTorch为基础的遥感影像和无人机影像的分类，目标检测，以及语义分割等应用。

专题一：深度卷积网络知识详解

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