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。最近借助深度学习方法，基于卷积神经网络的无人机目标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。然而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、运行及处理难度大，各类深度学习平台的掌握也并不容易。
一：深度卷积网络知识详解 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模型代码详解
9．特征图，卷积核可视化分析
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图像分类任务讲解
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
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.讲解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.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 5.讲解 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
四：无人机影像目标检测任务案例
案例 1：
（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）讲解数据集的制作过程，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
案例 2： （1）无人机影像的植物识别和统计
五：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.讲解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）讲解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
六：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 1.PointNet与PointNet++等模型的基本讲解
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.从模型演变中讲解实际训练模型的技巧 3.讲解针对数据的优化策略 4.讲解针对模型的优化策略 5.讲解针对训练过程的优化策略 6.讲解针对检测任务的优化策略 7.讲解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！
↓↓↓