王磊

学科：人工智能、数据分析

邮箱：sfoh007@gmail.com

地址：陕西省商洛市北新街10号商洛学院综合楼8-805室(邮编:726000)

| |

主授课程

学科竞赛

《人工智能与遥感图像分析》

基本信息

【主讲教师】王磊

【课程描述】本课程是一门面向计算机科学与技术及相关专业的进阶课程，旨在系统介绍人工智能核心技术，特别是深度学习模型，及其在遥感图像分析领域的革命性应用。课程将从机器学习基础出发，深入讲解卷积神经网络、循环神经网络、生成对抗网络、自监督学习等核心模型，并重点探讨这些模型在遥感图像分类、目标检测、语义分割、变化检测、地物提取及农作物长势预测等关键任务中的应用范式与挑战。同时，课程将紧跟技术前沿，专章探讨大语言模型与视觉大模型如何赋能遥感图像解译，提升分析的自动化与智能化水平。通过理论讲授、案例分析和上机实验相结合的方式，学生将掌握利用现代人工智能技术解决实际遥感问题的能力，为未来在智慧城市、环境保护、精准农业、国防安全等领域的科研与工作奠定坚实基础。

【教学目标】

1.知识构建：掌握人工智能，特别是深度学习的主要模型（如CNN， RNN， GAN， Transformer）及其在遥感图像分析中的适配性与原理。

2.技能培养：能够熟练使用主流的深度学习框架（如PyTorch），独立完成遥感数据的预处理、模型构建、训练、评估与部署的完整流程。

3.应用创新：具备将所学AI模型应用于解决具体的遥感分析任务（如变化检测、目标识别）的能力，并能根据遥感数据特点对模型进行优化和改进。

4.前沿洞察：了解大模型（LLM， VLM）等前沿技术在遥感领域的应用潜力与发展趋势，具备跟踪和阅读相关领域顶级会议（如CVPR, ICCV, IGARSS）论文的初步能力。

【授课方式】线下理论课（32学时） + 线下上机课（16学时） + 线上答疑（钉钉群），3学分

【考核方式】总评成绩 = 平时成绩（占10%） + 实验成绩（占40%）+ 期末考试成绩（占50%）；其中，平时成绩 = 课堂考勤（占30%） + 书面作业（占70%），实验成绩 = 实验报告 + 电子作业

【推荐教材】《Deep Learning for the Earth Sciences: A Comprehensive Approach to Remote Sensing, Climate Science and Geosciences》, Gustau Camps-Valls, et al. (Wiley, 2021).

【参考书】

1.《Remote Sensing Digital Image Analysis: An Introduction》, John A. Richards (Springer, 2022) - 传统方法与现代方法的桥梁.

2. 《Python Machine Learning》, Sebastian Raschka & Vahid Mirjalili (Packt, 2019) - 提供扎实的代码实践基础.

3. 《Dive into Deep Learning》, Aston Zhang, Zack C. Lipton, Mu Li, and Alex J. Smola (在线交互式书籍， http://d2l.ai/) - 动态的代码和理论学习资源.

4. 《基于深度学习的遥感影像目标识别入门与实践》，段延松主编，武汉大学出版社，2023年

5. 《深度学习遥感图像处理及应用》，陈磊著，国防工业出版社，2023年

6. 《基于深度学习的高分辨率遥感影像智能解译与变化检测》，张觅著，武汉大学出版社，2025年

7. 《南方复杂场景遥感图像深度学习解译与应用实践》，黄友菊编，中国建筑工业出版社，2025年

8. 《基于深度学习的高分辨率遥感图像场景分类》，钱晓亮，电子工业出版社，2022年

9. 《基于深度学习的遥感图像语义分割方法研究》，王溢琴，科技文献出版社，2023年

10. 《基于深度学习的遥感影像目标识别入门与实践》，段延松主编，武汉大学出版社，2023年

11. 《基于深度神经网络的遥感图像分割》，杨艺，清华大学出版社，2020年

电子课件

*本课件版权私有，仅供学习目的，不可用于商业行为，请勿上传网络共享，使用时请注明来源。

章节	内容	下载
第0章：课程说明	本课程的定位、属性、考核方式、主要内容、学习资源获取方式、实践平台、涉及到的软件等
第1章：绪论-人工智能与遥感技术的融合	课程介绍与导引、遥感技术基础：传感器、波段、分辨率、遥感图像分析的传统方法与挑战、人工智能（AI）发展简史及在遥感中的应用概览、当前研究热点与未来趋势
第2章：机器学习基础与遥感数据准备	机器学习基本概念（监督/无监督学习、过拟合、评估指标）、遥感数据源介绍（Landsat,Sentinel,高分系列，商业卫星）、遥感数据预处理：辐射定标、大气校正、图像增强、数据标注、常用遥感数据集介绍（如UCMerced,NWPU-RESISC45,DOTA等）
第3章：深度学习基础与卷积神经网络（CNN）	神经网络基本原理、卷积层、池化层、全连接层、经典CNN架构（AlexNet,VGG,ResNet）及其在遥感图像分类中的应用
第4章：遥感图像场景分类	基于深度学习的场景分类任务、注意力机制在场景分类中的应用、小样本学习与零样本学习在遥感中的挑战、实验：基于ResNet实现遥感图像场景分类
第5章：遥感图像目标检测与识别	目标检测基础：Two-Stage(FasterR-CNN)与One-Stage(YOLO,SSD)算法、遥感旋转目标检测的挑战与专用算法（如RoITransformer）、案例：飞机、船舶、车辆等典型目标的检测
第6章：遥感图像语义分割	语义分割基本概念与评估指标（mIoU）、全卷积网络与编码器-解码器结构（U-Net,DeepLab系列）、高分辨率遥感图像建筑物提取、土地覆盖制图
第7章：遥感图像变化检测	变化检测的任务定义与难点、基于像素级与对象级的变化检测方法、基于孪生网络与差异特征挖掘的深度学习模型
第8章：时序遥感分析	循环神经网络与长短期记忆网络（LSTM）基础、结合CNN与RNN/LSTM的时序模型、应用：农作物长势监测与产量预测、城市扩张分析
第9章：生成式模型与自监督学习在遥感中的应用	生成对抗网络（GAN）与变分自编码器（VAE）简介、应用：遥感图像超分辨率重建、数据增强、虚拟样本生成、自监督学习概念及其在遥感预训练中的价值
第10章：大模型时代的遥感图像分析	大语言模型（LLM）与视觉语言模型（VLM）基础（如CLIP）、VLM在遥感零样本分类与视觉问答中的应用、遥感领域专用大模型（如SkySense,RingMo）的原理与探索、“AIforScience”范式下的遥感科学发现
第11章：挑战与展望	全课程知识回顾、当前技术面临的挑战：标注成本、模型可解释性、物理机理融合等、伦理、隐私与可持续发展、未来发展方向总结

讨论课：AI带来的挑战与思考	梳理最近AI发展的大事件；简述目前AI所面临的伦理挑战或困境；简述目前AI对经济和社会的冲击；面对AI带来的变革，我们的思考和对策

上机实验

*共10大类实验（40项实验任务），总计113关，具体实验见头歌实验平台 .

实验	内容	要求	下载
实验一：开发环境搭建与遥感数据认知	安装Anaconda, PyTorch, GDAL等库；读取多波段遥感图像（如TIF格式）；可视化真彩色、假彩色图像；理解波段和元数据。
实验二：基于传统机器学习方法的遥感图像分类	使用SVM、随机森林等算法对遥感图像进行土地覆盖分类，与后续深度学习方法的性能进行对比。
实验三：基于CNN的遥感图像场景分类	使用PyTorch构建或微调ResNet模型，在NWPU-RESISC45数据集上进行训练和测试。
实验四：基于YOLO的遥感目标检测	使用YOLOv5/v8框架，在DIOR或HRSC数据集上实现飞机或船舶的检测
实验五：基于U-Net的建筑物提取（语义分割）	在Massachusetts Buildings Dataset或WHU Building Dataset上，实现U-Net模型，完成建筑物像素级分割。
实验六：基于孪生网络的变化检测	使用一个简化的孪生CNN结构，在LEVIR-CD或WHU Building Change Detection数据集上实现二值变化检测。
实验七：探索视觉语言模型（VLM）的零样本遥感分类	利用预训练的CLIP模型，不进行训练，直接对遥感图像进行零样本（Zero-Shot）分类，体验大模型的泛化能力。

学习资源

【开发环境】

操作系统： Windows 10/11, Linux (推荐用于稳定性)， macOS

硬件建议：配备NVIDIA GPU（≥8GB显存）的计算机，以便高效训练深度学习模型

编程语言： Python 3.8+

核心深度学习框架： PyTorch 1.12+ (强烈推荐，研究友好) 或 TensorFlow 2.x

关键Python库：

数据处理：NumPy, Pandas, GDAL/Rasterio, OpenCV

可视化：Matplotlib, Seaborn, Folium

机器学习：Scikit-learn

模型训练：PyTorch Lightning (可选，简化代码)

图像处理：Pillow, Scikit-image

环境管理： Anaconda/Miniconda

【电子图书】

《Deep Learning》(花书), Ian Goodfellow, Yoshua Bengio, Aaron Courville (MIT Press, 2016)

《Python for Geospatial Data Analysis》, Bonny P. McClain (O‘Reilly, 2022)

《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow》, Aurélien Géron (O’Reilly, 2022)

《遥感图像深度学习》，焦李成等 (科学出版社， 2021) - 中文，国内研究总结

《计算机视觉：模型、学习和推理》， Simon J.D. Prince (机械工业出版社， 2017) - 理论基础

【文档资料】

PyTorch官方教程：特别是TORCHVISION和TORCHGEO库的文档。

torchgeo库文档：一个专门为遥感设计的PyTorch域库，包含常用数据集和模型。

Hugging Face Docs：关注其Transformers和Diffusers库，用于学习大模型相关知识。

Google Earth Engine (GEE) 指南：虽然不是核心DL平台，但作为强大的云端遥感数据处理平台，值得了解。

CVPR/ICCV 相关Tutorials幻灯片：例如“Computer Vision in Earth and Space Science”等专题的幻灯片。

【网址推荐】

Papers with Code (https://paperswithcode.com/ ): 按任务检索遥感领域SOTA模型和代码。

Kaggle (https://www.kaggle.com/ ): 参与遥感相关竞赛（如“ Airbus Ship Detection Challenge”），学习优秀内核。

GitHub (https://github.com/ ): 搜索相关项目代码，如“awesome-remote-sensing”等资源列表。

IEEE GRSS Earth Engine (https://www.grss-ieee.org/ ): 国际遥感学会，获取最新学术动态。

Towards Data Science (https://towardsdatascience.com/ ): Medium上的数据科学专栏，常有高质量的遥感AI应用文章。

【预备知识】

熟练掌握Python编程。
具备线性代数、概率论与数理统计的基础知识。
了解计算机视觉和数字图像处理的基本概念（如图像滤波、特征点）者为佳。
对机器学习有基本了解。

【学习视频】

斯坦福CS231n: “Convolutional Neural Networks for Visual Recognition” (YouTube) - 深度学习CV的经典课程。

NYU “Deep Learning” Course (YouTube) - Yann LeCun和Alfredo Canziani主讲，理论深入。

PyTorch官方提供的入门教程 (YouTube/PyTorch官网) - 快速上手框架。

国内MOOC平台：如中国大学MOOC上搜索“遥感”、“深度学习”相关课程，如武汉大学龚健雅院士团队的《遥感原理与应用》等作为背景补充。

国际会议报告： CVPR, ICCV, IGARSS大会的特定Session或Tutorial录像。

【学习平台】

代码协作与提交： GitHub Classroom 或 GitLab
在线讨论： Piazza 或 Discord/微信群
实验环境：提供配备GPU的实验室机器，或指导学生申请云端计算资源（如Google Colab Pro, 阿里云/腾讯云学生机）。

教学管理

【教学实验大纲】

《人工智能导论》教学试验大纲--网工系--2020版.pdf

【教学设计教案】

【教学进度表】

【教学评价】

问卷星：https://www.wjx.cn/vm/Q0cwc7n.aspx

其他资料

《人工智能导论》书面作业.pdf

网站建设与技术支持：他山之石 E-mail：348125275@qq.com