hiliang521的博客

【计算机视觉】计算机视觉课程要点总结

【计算机视觉（19）】语义理解-CNN应用_目标检测_语义分割

核心要点回顾VGGNet深度优先设计，使用小卷积核增加深度展示了深度的重要性但训练困难GoogLeNet宽度优先设计，Inception模块多尺度特征提取1×1卷积降维，提高计算效率辅助分类器，加速训练ResNet残差连接，解决退化问题可以训练非常深的网络结合深度和宽度，取得最佳性能设计原则深度和宽度都很重要参数效率和计算效率需要平衡梯度传播和训练稳定性是关键知识地图fill:#333;color:#333;color:#333;fill:none;CNN架构设计。

核心要点回顾CNN架构基础卷积层、下采样层、全连接层的组合局部连接、权重共享、池化、多层结构VGGNet使用小卷积核（3×3）和增加深度展示了深度的重要性但训练困难GoogLeNetInception模块：多尺度特征提取1×1卷积降维：减少计算量辅助分类器：加速训练和缓解梯度消失ResNet残差连接：解决退化问题恒等映射：允许梯度直接传播可以训练非常深的网络知识地图fill:#333;color:#333;color:#333;fill:none;CNN架构。

【计算机视觉（17）】语义理解-训练神经网络2_优化器_正则化_超参数

【计算机视觉（16）】语义理解-训练神经网络1_激活_预处理_初始化_BN

【计算机视觉（15）】语义理解-深度学习工程_CPU_GPU_自动求导_框架

【计算机视觉】语义理解-CNN基础_卷积池化_参数共享

【计算机视觉（13）】卷积神经网络基础篇：从全连接层到卷积层

核心要点回顾线性分类器的局限性只能学习线性决策边界无法处理复杂的非线性模式神经网络架构多层感知机（MLP）全连接层堆叠激活函数引入非线性激活函数ReLU是最常用的默认选择激活函数是神经网络强大的关键反向传播通过计算图高效计算梯度使用链式法则组合局部梯度前向传播保存中间结果，反向传播使用向量和矩阵反向传播使用雅可比矩阵（但隐式计算）梯度形状与输入形状相同不需要显式构造大矩阵知识地图fill:#333;color:#333;color:#333;fill:none;

【计算机视觉（11）】损失函数与优化基础篇：如何训练线性分类器

【计算机视觉（10）】图像分类基础篇：从最近邻到线性分类器

【计算机视觉（9）】运动恢复结构：从图像到三维点云的完整流程

【计算机视觉（8）】双视图几何基础篇：从立体视觉到极线约束

【计算机视觉（7）】3D点几何基础篇：从世界坐标到像素坐标的旅程

【计算机视觉（6）】边缘与直线检测基础篇：从Canny到Hough变换

【计算机视觉（5）】特征检测与匹配基础篇：从Harris到SIFT的完整流程

【计算机视觉（4）】特征点检测基础篇：从角点到兴趣点

【计算机视觉（3）】图像滤波基础篇：从概念到应用

【计算机视觉】图像几何变换基础篇：从平移旋转到投影变换

【计算机视觉（1）】图像形成基础篇：从光线到图像的完整过程