随着对地立体观测体系的建立，遥感大数据不断累积。传统基于文件、景/幅式的影像组织方式，时空基准不够统一，集中式存储不利于大规模并行分析。对地观测大数据分析仍缺乏一套统一的数据模型与基础设施理论。近年来，数据立方体的研究为对地观测领域大数据分析基础设施提供了前景。基于统一的分析就绪型多维数据模型和集成对地观测数据分析功能，可构建一个基于数据立方的对地观测大数据

1.深入了解神经网络的组成、训练和实现，掌握深度空间特征分布等关键概念；2.掌握迁移学习的思想与基本形式，了解传统迁移学习的基本方法，对比各种方法的优缺点；3.握深度迁移学习的思想与组成模块，学习深度迁移学习的各种方法；4.掌握深度迁移学习的网络结构设计、目标函数设计的前沿方法，了解迁移学习在PDA、SourceFreeDA上的应用；5.掌握深度迁移学习在

遥感数字图像处理的特点：同遥感图像的光学处理（即模拟图像处理）相比，遥感数字图像的计算机处理有很多优点，主要表现在以下几点：１．图像信息损失低，处理的精度高由于数字遥感图像是用二进制表示的，在图像处理时，其数据存储在计算机数据库中，不会因长期存储而损失信息，也不会因处理而损失原有信息。对计算机来说，不管是对４bit还是对８

今晚20：0022：00人工智能技术与自信计算机视觉就是用各种成像系统代替视觉器官作为输入敏感手段，由计算机来代替大脑完成处理和解释。计算机视觉的最终研究目标就是使计算机能象人那样通过视觉观察和理解世界，具有自主适应环境的能力。要经过长期的努力才能达到的目标。因此，在实现最终目标以前，人们努力的中期目标是建立一种视觉系统，这个系统能依据视觉敏感和反馈的某

改进式背景差分算法研究改进式背景差分算法，并应用于监控系统中。针对人流量较少的监控情况，提出一种基于计算机视觉的嵌入式监控系统解决方案，其以DSPDM642为核心处理芯片，可对3路视频视角同时处理。系统利用动态权值的改进式背景差分算法对视频流进行实时监控，若发现异常事件，则自动存储一段时间的视频数据，并利用H.264压缩后保存至外存中以供事后取证

1.掌握大数据建模分析与使用方法。2.掌握大数据平台技术架构。3.掌握国内外主流的大数据分析与BI商业智能分析解决方案。4.掌握大数据分析在搜索引擎、广告服务推荐、电商数据分析、金融客户分析方面的应用。5.掌握主流的基于大数据Hadoop和Spark、R的大数据分析平台架构和实际应用。6.掌握基于Hadoop大数据平台的数据挖掘和数据仓库分布

递归神经网络（RNN）RNN是最强大的模型之一，它使我们能够开发如分类、序列数据标注、生成文本序列（例如预测下一输入词的SwiftKeykeyboard应用程序），以及将一个序列转换为另一个序列（比如从法语翻译成英语的语言翻译）等应用程序。大多数模型架构（如前馈神经网络）都没有利用数据的序列特性。例如，我们需要数据呈现出向量中每个样例的特征，如表示句子、段

序列数据和文本的深度学习用于构建深度学习模型的不同文本数据表示法：理解递归神经网络及其不同实现，例如长短期记忆网络（LSTM）和门控循环单元（GatedRecurrentUnit，GRU），它们为大多数深度学习模型提供文本和序列化数据；为序列化数据使用一维卷积。可以使用RNN构建的一些应用程序如下所示。文档分类器：识别推文或评论的情感，对新闻文章

机器学习基础本章涵盖了以下主题：分类和回归之外的其他类型的问题；评估问题，理解过拟合、欠拟合，以及解决这些问题的技巧；为深度学习准备数据。请记住，在本章中讨论的大多数技术都是机器学习和深度学习通用的，一部分用于解决过拟合问题的技术（如dropout）除外。4.1　三类机器学习问题在之前的所有例子中，尝试解决的是分类（预测猫或狗）或回归（预测用户在平台上

深入了解神经网络本章将介绍用于解决实际问题的深度学习架构的不同模块。前一章使用PyTorch的低级操作构建了如网络架构、损失函数和优化器这些模块。本章将介绍用于解决真实问题的神经网络的一些重要组件，以及PyTorch如何通过提供大量高级函数来抽象出复杂度。本章还将介绍用于解决真实问题的算法，如回归、二分类、多类别分类等。本章将讨论如下主题：详解神经网络的不