GeoAI遥感深度学习丨场景分类·语义分割·目标检测·变化检测四大任务，从CNN、Transformer到空间基础模型与AI Agent全流程

遥感已成为自然资源、生态环境、农业、水利、应急、林业等几乎所有自然学科的共性支撑技术而当高分辨率卫星与无人机影像以TB级增长看得见的影像与提得出的信息之间的鸿沟只能靠深度学习跨越。然而多数从业者卡在同一道坎上懂业务不懂算法、会理论不会工程、有影像没有样本、训得出模型却交不了成果。本研修班的初衷就是把这条断掉的路一次接通——以场景分类、语义分割、目标检测、变化检测四大真实任务为主线贯通数据组织、样本工程、模型训练、整景影像推理到GIS成果交付的完整链路办成一门带着数据来、带着成果走的真实战培训而非纸上谈兵的算法科普。直面遥感智能化落地中最真实的四大痛点并给出可带走的答案针对任务覆盖窄四大核心任务一次学透分类、分割、检测、变化检测每个方向均以完整项目实战收尾针对样本稀缺、标注太贵系统讲授SAM辅助标注、自监督预训练与RemoteCLIP、RingMo等空间基础模型的零样本/少样本迁移让少标注甚至免标注出成果成为现实针对训完模型交不了差独家设置整景大幅面影像切片推理、跨切片目标合并、地理坐标恢复与ArcGIS成果入库的工程化专题学完即可承接生产项目、支撑论文与验收针对效率焦虑引入Codex等AI Agent辅助代码、制图、批处理与论文图表产出把一周的活压缩到一天。专题一 GeoAI遥感项目全流程与环境搭建——一次看清从影像到成果的完整地图第一天就跑出首个AI成果1.1GeoAI在场景分类、语义分割、目标检测与变化检测中的任务选择1.2从遥感影像、模型推理到GIS成果交付的完整技术流程1.3 CNN、Transformer与空间基础模型的技术演进及应用关系1.4 Python、PyTorch、ArcGIS Pro与GeoAI工具环境配置要点1.5 预训练模型快速推理分类、分割、检测成果现场预览专题二 CNN与PyTorch工程基础——从理论到首个分类模型——零基础可跟的深度学习最小完整闭环为全部实战打地基2.1 深度学习、机器学习与遥感智能解译的关系2.2 CNN中的卷积、池化、步长、填充与感受野2.3 激活函数、损失函数、优化器与反向传播2.4 PyTorch张量、Dataset、DataLoader与训练循环2.5 迁移学习、GPU调用、模型保存加载与断点续训2.6 基于预训练CNN完成首个遥感分类模型及结果可视化专题三 真实遥感数据与GeoAI样本工程——从原始影像到高质量样本库样本质量直接决定模型上限3.1 GeoTIFF、JPG、PNG及卫星、无人机影像的组织差异3.2 坐标系、空间分辨率、波段、NoData与多光谱数据处理3.3 分类、分割、检测与变化检测四类样本的组织、划分与质量检查3.4 检测标注及COCO、VOC、YOLO标签格式旋转框标注规范3.5 大幅面影像切片、标签同步转换与样本可视化3.6 ArcGIS Pro辅助样本制作、标签检查、空间核对与数据整理3.7 样本稀缺破局自监督预训练、半监督与弱监督策略专题四 遥感场景分类项目——CNN、Transformer与空间基础模型——第一个完整项目三类模型同台对比学会选型也学会写结果4.1 场景分类项目需求、类别体系与高分辨率数据适配4.2 ResNet预训练模型迁移、分类头改造与短周期微调4.3 Vision Transformer与Swin Transformer分类应用4.4 空间基础模型预训练特征提取与轻量分类器应用4.5 三类模型分类精度、耗时及效果对比4.6单幅与批量预测、混淆矩阵、典型误分类及论文式成果图制作专题五 遥感语义分割与地物覆盖分类实战——土地利用/地物分类制图第一刚需学完即可服务国土与生态业务5.1 语义分割任务、输出形式与土地利用/地物覆盖应用需求5.2 U-Net、DeepLabV3、SegFormer与HRNet模型选择逻辑5.3 像素级样本制作、类别不平衡处理与边界精度优化5.4 预训练分割模型迁移、短周期微调与批量推理5.5 SAM类模型辅助分割标注与轮廓提取的提效实战5.6 mIoU、F1评价体系、误差分析与地物分类专题制图专题六 目标检测核心理论与遥感专项问题——讲透为什么通用检测方法在遥感影像上会失灵6.1 目标检测任务、输出形式与典型遥感应用6.2 检测框、类别概率、置信度与IoU水平框与旋转框OBB6.3 Precision、Recall、AP与mAP评价体系6.4 两阶段、单阶段与端到端检测范式对比6.5 Anchor、Anchor-free、RPN与Object Query基本思想6.6 遥感小目标、密集目标、旋转目标、复杂背景与尺度变化6.7 Faster R-CNN、YOLO含OBB、DETR与RT-DETR模型选择逻辑专题七 CNN目标检测工程实战——从Faster R-CNN到YOLO旋转框——水平框到旋转框的工程跨越遥感小目标、密集目标检测的真实战场7.1 检测样本接入、数据配置与训练前检查7.2 Faster R-CNN预训练模型加载、类别修改与结构适配7.3 YOLO单阶段检测模型的工程应用与配置方法7.4 旋转框小目标检测实战DOTA类任务全流程7.5 输入尺寸、批次大小、学习率与短周期微调7.6 检测评价、误检漏检分析与结果导出专题八 Transformer遥感目标检测实战——DETR与RT-DETR——端到端检测新范式掌握论文与项目的下一代技术路线8.1 Self-Attention、Transformer编码器与解码器核心机制8.2 Vision Transformer、DETR与传统Anchor检测器的技术联系8.3 RT-DETR实时端到端检测框架与工程应用特点8.4 遥感检测数据配置、预训练权重加载与短周期微调8.5 批量推理、阈值优化、检测评价与论文式成果图制作8.6 CNN与Transformer检测流程对比及自有项目迁移专题九 双时相遥感变化检测实战——从双时相配准到变化图斑入库打通变化检测业务化应用全流程9.1 变化检测任务与业务场景国土变更、卫片执法、违建与灾害监测9.2 双时相影像配准、样本组织与变化标签制作9.3 孪生网络变化检测模型原理与工程实现9.4 SAM多模态大模型无监督变化检测免训练快速出图9.5 变化图斑提取、精度验证与GIS成果输出9.6 变化检测与分类、分割、检测任务的组合应用范式专题十 空间基础模型与零样本智能解译——站在遥感AI最前沿不训练模型也能完成解译任务10.1 遥感基础模型谱系RemoteCLIP、RingMo、SpectralGPT、SkySense与遥感多模态大模型10.2 基础模型与传统CNN、Transformer的应用边界与选型逻辑10.3 公开预训练权重获取、多光谱输入适配与遥感特征提取10.4 零样本/少样本迁移少标注甚至免标注完成分类、分割与检测10.5 遥感多模态大模型实操影像问答、影像描述、图文检索10.6 基础模型在四大任务中的迁移效果对比与适用场景总结专题十一 AI Agentcodex辅助遥感科研与工程自动化——把Agent变成你的科研助理代码、制图、批处理、论文图表全面提效 11.1 Codex等AI Agent在遥感项目中的角色定位11.2 Agent辅助代码生成与修改、标签格式转换、报错诊断11.3 Agent辅助批量制图脚本、GIS自动化处理与成果批量核查11.4 多模态AI辅助影像质量、类别体系与标签检查11.5 从实验记录到论文图表Agent辅助成果整理与写作提效专题十二 整景遥感影像推理与GIS成果交付——从能跑通Demo到能交付项目的最后一公里本课程独有12.1 大幅面GeoTIFF读取、重叠滑动窗口切片与边缘目标处理12.2 切片批量推理、空间索引与检测结果管理12.3 跨切片目标框合并、全局NMS与重复目标去除12.4 局部像素坐标、整景像素坐标与地理坐标恢复12.5 模型导出与推理加速ONNX及工程化部署要点12.6 GeoJSON、Shapefile、属性字段及ArcGIS Pro成果管理12.7 目标统计、专题制图、图层管理与项目交付