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

专题一 深度卷积网络
1.深度学习在遥感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

专题二 PyTorch应用与实践（遥感图像场景分类）
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

专题三 卷积神经网络实践与遥感影像目标检测
1.深度学习下的遥感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「CNN系列」发展小结，包括AlexNet，VGG，googleNet，    ResNet，DenseNet等模型
7.从模型演变中讲解实际训练模型的技巧

专题四 卷积神经网络的遥感影像目标检测任务案例 【FasterRCNN】
1.一份完整的Faster-RCNN 模型下实现遥感影像的目标检测
2.讲解数据集的制作过程，包括数据的存储和处理
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

专题五 Transformer与遥感影像目标检测
1.从卷积运算到自注意力运算 self-attention
2.pytorch实现的自监督模块
3.从Transformer到Vision Transformer (ViT)
4.Transformer下的新目标检测范式，DETR
5.各类模型在遥感影像下的对比和调研

专题六 Transformer的遥感影像目标检测任务案例 【DETR】
1.一份完整的DETR模型下实现遥感影像的目标检测
2.讲解针对数据的优化策略
3.讲解针对模型的优化策略
4.讲解针对训练过程的优化策略
5.讲解针对检测任务的优化策略
6.提供一些常用的检测，分割数据集的标注工具