1. motivation
2. 從感知機到深度學習
感知機是早期神經網絡的基礎，是一種受生物啓發的e分類模型，用於
2.1 自動編碼模型
2.1.1 自編碼和堆自編碼
2.1.2 稀疏自編碼
2.1.3 RBM和DBN
2.2 CNN
2.2.1 AlexNet
2.2.2 VGGNet
2.2.3 ResNet
2.2.4 FCN
3. 當遙感遇到深度學習
3.1 高光譜圖像分析
3.1.1 高光譜圖像分類
1） 基於SAE
2） 基於監督的CNN
3） 基於非監督的深度學習
4）基於RNN
3.1.2 高光譜圖像異常檢測
3.2 SAR圖像解譯
3.2.1 自動目標解譯
3.2.2 地物覆蓋分類
3.2.3 參數反演
3.3 高分辨率衛星圖像解譯
3.3.1 場景分類
3.3.2 目標檢測
3.3.3 圖像檢索
3.4 多源數據融合
3.4.1 銳化和超分辨率
3.4.2 特徵級和決策級的融合用於分類
1） 特徵級融合
2） 決策級融合
3.4.3 使用CNN解決不同的任務
3.4.4 融合異源數據
3.5 3D重建
3.5.1 自動繫帶點（tie-points）識別和匹配
3.5.2 基於CNN的音頻信號處理（stereo process）
3.5.3 大規模語義3D城市重建