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 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。

      本课程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。学员最终带走的是四大任务的可复用代码工程、整景推理交付模板、预训练模型选型手册与论文级成果图模板——回去就能用的完整能力。

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（OBB） 

6.3 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 Agent（codex）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