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。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。第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7BP反向传播算法的理解8CNN模型代码9特征图卷积核可视化分析第二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API6.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第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第四无人机影像目标检测任务案例案例 11一份完整的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 21无人机影像的植物识别和统计第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.FCNSegNetU-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第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AlexNetVGGgoogleNetResNetDenseNet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