遥感影像目的检测：从CNN（Faster-RCNN）到Transformer（DETR

我国高分辨率对地观测体系巨大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的环球天空隙一体化立体对地观测网徐徐形成，将成为保障国家安全的根天性和战略性资源。将来10年环球每天获取的观测数据将高出10PB，遥感大数据期间已然到临。随着小卫星星座的遍及，对地观测已具备3次以上的环球覆盖本领，遥感影像也不绝被更深入的应用于矿产勘探、精准农业、都会规划、林业丈量、军事目的辨认和劫难评估中。近来借助深度学习方法，遥感影像自动地物辨认取得了令人印象深刻的效果。深度卷积网络接纳“端对端”的特性学习，通过多层处置惩罚机制展现匿伏于数据中的非线性特性，可以大概从大量训练会集自动学习全局特性，是其在遥感影像自动目的辨认取得乐成的告急缘故原由，也标志特性模子从手工特性向学习特性厘革。另一方面，随着深度学习的不绝发展，当前以Transformer等结构为根本模子的检测模子也发展敏捷，在很多应用场景下以致高出了原有的以CNN为主的检测模子。
专题一、深度卷积网络知识
1. 深度学习在遥感图像辨认中的范式和标题
2. 深度学习的汗青发展历程
3. 呆板学习，深度学习等使命的根本处置惩罚流程
4. 卷积神经网络的根本原理
5. 卷积运算的原理和明白
6. 池化使用，全毗连层，以及分类器的作用
7. BP反向流传算法的明白
8. CNN模子代码详解
9. 特性图，卷积核可视化分析