【案例实践】PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化实践技术

【查看原文】基于PyTorch深度学习遥感影像地物分类与目标检测、分割及遥感影像问题深度学习优化实践技术应用

我国高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障国家安全的基础性和战略性资源。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。随着小卫星星座的普及，对地观测已具备3次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估中。最近借助深度学习方法，基于卷积神经网络的遥感影像自动地物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，通过多层处理机制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（这种特征被称为“学习特征”），是其在遥感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。以PyTorch为主体的深度学习平台为使用卷积神经网络也提供程序框架。但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、运行及处理难度很大，PyTorch平台的掌握也并不容易。

【内容简述】：

注：请提前自备电脑及所需软件。

【其它相关推荐】：

高光谱数值建模技术及在植被、水体、土壤信息提取领域应用技术

如何利用ArcGIS探究环境与生态因子对水体、土壤、大气污染物等影响

陆面生态水文模拟与多源遥感数据同化的实践技术应用

InVEST模型高级进阶及在生态系统服务供需、碳中和等领域中的应用及论文写作技能提升

PROSAIL 模型前向模拟与植被参数遥感提取代码实现

Meta 分析在生态环境领域中的应用

农林生态专业软件模型：DSSAT、Meta 分析、CASA、Biome-BGC、CENTURY、CMIP6、InVEST模型等

统计语言类教程：贝叶斯统计学、Copula、SEM、极值统计学、混合效应模型、PyTorch深度学习、科研数据可视化