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。

一：深度卷积网络知识

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

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

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.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）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）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

2.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.针对数据的优化策略

4.针对模型的优化策略

5.针对训练过程的优化策略

6.针对检测任务的优化策略

7.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

原文：基于PyTorch深度学习无人机遥感影像目标检测、地物分类及语义分割实践技术应用