专题一： 深度学习发展与机器学习
深度学习的历史发展过程
机器学习，深度学习等任务的基本处理流程
梯度下降算法讲解
不同初始化，学习率对梯度下降算法的实例分析
从机器学习到深度学习算法
专题二 深度卷积网络、卷积神经网络、卷积运算的基本原理
池化操作，全连接层，以及分类器的作用
BP反向传播算法的理解
一个简单CNN模型代码理解
特征图，卷积核可视化分析
专题三 TensorFlow与keras介绍与入门
TensorFlow简介
静态计算图，会话等机制理解
TensorFlow的使用教程
TensorFlow的学习案例
TensorBoard的基本使用与API
Keras的简介
Keras与TensorFlow的关系，以及使用教程。
案例：
使用TensorFlow搭建神经网络并实现手写数字的分类
使用Keras搭建神经网络并实现手写数字的分类
专题四 PyTorch介绍与入门
PyTorch简介
动态计算图等机制
PyTorch与TensorFlow的差异
PyTorch的使用教程
专题五 卷积神经网络实践与遥感图像场景分类
数据集处理方案
使用TensorFlow完成卷积神经网络的搭建
细粒度讲解卷积神经网络参数含义
实现整个模型的训练，存储和预测
模型的finetuning策略讲解
案例：
使用TensorFlow实现对mnist，sat-4数据集进行分类
搭建VGG16模型完成EuroSAT多光谱数据集的场景分类
专题六 深度学习与遥感图像检测
讲解图像检测的基本概念
讲解检测数据集的表示方式
讲解模型评估方案，包括正确率，精确率，召回率，mAP等内容
讲解two-stage（二阶）检测模型框架，RCNN, Fast RCNN, Faster RCNN等框架的演变和差异
讲解 one-stage（一阶）检测模型框架，Yolo，SDD
现有检测模型发展小结
专题七 遥感图像检测案例讲解
一份完整的Faster-RCNN 模型下实现对SpaceNet遥感数据集建筑物检测任务的代码
讲解数据集的制作过程，包括数据的存储和处理
数据集标签的制作
模型的搭建，组合和训练
检测任数据集在验证过程中的注意事项
专题八 深度学习与遥感图像分割
讲解图像分割的基本概念
讲解FCN，SegNet，U-net等模型的差异
分割模型的发展小结
遥感图像分割任务和图像分割的差异
在遥感图像分割任务中的注意事项
讲解部分具体的应用案例
专题九 遥感图像分割案例讲解
一份完整的使用U-net实现遥感图像分割任务的代码
讲解数据集的准备和处理
遥感图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
专题十 深度学习优化技巧与数据标注工具
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
从模型演变中讲解实际训练模型的技巧
讲解针对数据的优化策略
讲解针对模型的优化策略
讲解针对训练过程的优化策略
讲解针对检测任务的优化策略
讲解针对分割任务的优化策略
提供一些常用的检测，分割数据集的标注工具