RS DL
本次 Workshop 设有“邀请好友领取《黑神话：悟空》游戏”环节，规则详情请划至文末查看。
在这场 Workshop 中，你将有机会选择雄安、武汉、深圳、开罗、墨尔本或纽约这六个城市中的一个，亲自搭建基于深度学习的时间序列变化检测模型，探索不同城市土地覆盖的变迁奥秘。通过这次实战演练，你不仅将掌握基于时间序列的土地覆盖变化检测的黑科技，还能在数据分析、模型构建和地理信息处理上大显身手，为你在地理信息系统、城市规划、环境保护等领域的未来研究之路，添上一双有力的翅膀！
· 如何制作漂亮的土地覆盖变化检测和分类结果？
学习目标：
· 学习开展时间序列语义变化检测从数据准备、模型训练评估、区域推理到结果分析和制图的完整技术路线
· 特邀导师 ·
· 课程大纲 ·
数据准备：了解时序语义分割任务中数据的输入x和输出y的维度变化以及训练集、验证集和测试集划分； 模型架构搭建：实现基于pytorch深度学习框架的FCN全卷积网络模型用于时序语义分割； 评价指标：构建时序语义分割的结果评价指标，从变化检测精度和分类精度两个角度。
数据准备：学习研究区域的四维数据组织（时序长度×谱段个数×长×宽）； 模型调用：调用已训练好的深度学习模型用于的研究区域的变化信息推理； 结果存储：将已推理好的结果进行在线存储，防止内存爆炸。
变化检测： 变化占比统计和制图：统计研究区域内变化和未变化的区域的比例；绘制变化与未变化区域的二值图。 变化频次和制图：统计研究区域内不同频次变化的占比；绘制研究区域内的变化频次图。 变化时间：绘制研究区域内的累积变化时间图。 土地覆盖分类 土地覆盖分类制图：绘制研究区域内任意时间点的土地覆盖分类制图； 土地覆盖占比变化趋势：统计研究区域不同土地覆盖类型的变化占比情况以及变化趋势；
模型修改： （基础）探究基于FCN架构的时序语义分割网络在设置不同隐藏层维度下的精度变化 （进阶）探究时序语义分割网络在不同语义分割架构（如 Net、SegNet 下的效果） 统计分析： （基础）统计研究区域内不同土地覆盖类型之间的转化比例 （进阶）统计研究区域内变化类型最明显的五个类型，并绘制变化类型图
· 日程安排 ·
· 9.10 12:00 前：完成作业，提交作业 · 9 月中旬：准时参加主题讲解交流会
· 报名 ·
活动页面
https://www.heywhale.com/u/2b2c1e
小程序
· 呼朋唤友，好礼到手 ·
发放时间： Workshop 讲解会结束后 5 个工作日内
<复制邀请链接页面>
· 活动交流群 ·
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
