一、视觉的终极拷问：为什么视觉如此困难？
-
核心悖论：视觉对人类而言是“无意识”的本能（只需零点几秒），但对机器而言是极其复杂的计算过程。
-
本质定义：视觉不是“感知”，而是“推理”——从二维像素阵列中推导出构成该图像的三维世界物理属性（几何、材质、光照、语义）。
二、生物学的启蒙：从神经科学中汲取灵感
-
初级视觉皮层（V1）的特性（Hubel & Wiesel，1962）：
-
V1区位于大脑后部，其神经元具有局部感受野（只响应视野中极小区域）。
-
神经元被组织成柱状结构，分别响应局部的简单模式，如特定方向的边缘、光栅条纹。
-
视觉处理的层级性：信息从V1流向V2（形状/轮廓）、V4（复杂物体/颜色）、IT区（面部/具体物体）。高层神经元的感受野更大，响应模式更抽象。
-
-
启示：优秀的视觉系统应当是层次化（Layer by layer）且局部连接（Local connectivity）的——这直接启发了卷积操作的诞生。
三、视觉作为计算问题：Marr 的三层次理论（1980s）
-
理论地位：计算神经科学的奠基理论，定义了视觉系统“到底在计算什么”。
-
三个表征阶段：
-
原始草图（Primal Sketch）：提取图像中的物理基元（点、线段、边缘、端点）。
-
2.5维草图（2.5D Sketch）：在以观察者为中心的坐标系中，初步恢复深度和表面朝向（遮挡关系初步显现，但未形成完整物体）。
-
三维表征（3D Representation）：以物体为中心的坐标系，建立不随视角变化的完整三维形状与结构模型。
-
-
视觉的本质是“病态的反问题”（Ill-posed Inverse Problem）：
-
正问题：已知三维世界 -> 生成二维图像（渲染，确定性强）。
-
反问题：已知二维图像 -> 反推三维世界（无穷多解，因为深度信息在投影中被丢弃了）。
-
解决途径：必须依赖先验知识（如物体结构常识、立体视觉提供的视差）来约束解空间。
-
四、计算机视觉的古典时代（深度学习之前）：特征工程的巅峰
-
早期尝试：从数字图像（像素矩阵）入手。
-
边缘检测（如Sobel算子、Canny算子）：寻找像素亮度剧烈变化的位置——这是早期“特征”的基础。
-
-
核心瓶颈：语义鸿沟：像素级别的数值变化与高层语义（“这是一只猫”）之间存在巨大鸿沟。
-
感知分组（Perceptual Grouping）：如何将属于同一物体的边缘/区域连接起来，如何从背景中分割出前景（图-底分离）。
-
特征工程时代（手选特征）：
-
为了识别物体，研究者设计了手工特征（如SIFT、HOG、LBP），试图将光照、旋转、尺度变化“编码”进特征中。
-
应用：人脸检测（Viola-Jones框架）和自动对焦技术实现了产业化落地。
-
-
转折伏笔：互联网的普及带来了海量图像数据（如Flickr），为后来的数据驱动范式埋下伏笔。
五、现代深度学习的进化史：三大要素的成熟
核心公式：深度学习成功 = 大规模数据 + 强大算力（GPU） + 可扩展的训练算法（反向传播）
-
开创者：Neocognitron（福岛邦彦，1980）
-
首次提出卷积和下采样（池化）结构。
-
局限：权重参数是人工手设的，没有自动学习机制（称为“无师自通”的模板匹配）。
-
-
算法灵魂：反向传播（Backpropagation，1986，Rumelhart等）
-
确立了神经网络严谨的数学训练范式：定义损失函数 -> 计算输出误差 -> 利用链式法则反向传播梯度 -> 自动更新所有卷积核参数。
-
意义：从此告别手调参数，权重从数据中自动涌现。
-
-
实战首秀：LeNet-5（Yann LeCun，1998）
-
成功将BP算法应用于CNN，用于手写数字识别（MNIST）。
-
实际部署于美国邮政和银行系统（识别支票上的手写数字）。
-
-
大规模时代的敲门砖：ImageNet数据集（Fei-Fei Li, 2009）
-
包含1400万张标注图像，覆盖2万多个类别。
-
补充：这是深度学习的“燃料”。此前算法在中小数据集上极易过拟合，无法体现高容量网络的潜力。
-
-
划时代的引爆点：AlexNet（2012，Krizhevsky等）
-
在ImageNet竞赛中，将Top-5错误率从26%骤降至15.3%（降低近一半）。
-
三要素时刻：
-
结构：深度卷积网络（8层）。
-
算法：反向传播 + ReLU激活函数 + Dropout正则化。
-
算力：使用GPU（英伟达）进行并行训练（这是最关键的物质基础，你的原文缺失）。
-
-
历史意义：宣告特征工程时代终结，端到端学习（Feature Learning）时代开启。
-
六、本课程关注的计算机视觉核心任务（由简到繁）
-
图像分类（Image Classification）：输入单图，输出固定类别标签（基础任务）。
-
语义分割（Semantic Segmentation）：像素级分类，不区分同类个体（如画面中三只猫都标为“猫”，像素一视同仁）。
-
目标检测（Object Detection）：识别物体类别，并用边界框（Bounding Box）精准定位多个物体（区分实例位置，但框有冗余）。
-
实例分割（Instance Segmentation）：像素级分类 + 区分个体（精确到每个独立物体的轮廓掩膜，最精细）。
-
图像描述/检索（次要提及）：跨模态理解。
七、课程的核心方法论：从线性到非线性
-
图像的数字表示：图像本质是高维空间中的一个点（如32x32x3 = 3072维空间中的点）。
-
起点：线性分类器：
-
试图用一个超平面（决策边界）将不同类别的点分开（如猫 vs 狗）。
-
致命缺陷：大多数自然数据在原始像素空间中线性不可分（例如光线变化、背景混杂）。
-
-
引入非线性变换：通过堆叠多层神经网络（每层包含权重+激活函数ReLU/Sigmoid），将原始像素空间映射到特征空间，在特征空间中使数据变得线性可分。
-
训练准则（Loss Function）：定义损失函数（如交叉熵损失、铰链损失/SVM损失）量化“预测值与真实标签的差距”。
-
泛化与正则化（Regularization）：
-
高容量模型极易过拟合（死记硬背训练集）。
-
核心目标：不仅在训练集上表现好，更要在测试集（未见数据）上泛化良好。
-
正则化（如L2罚项、Dropout）用于惩罚复杂模型，迫使模型学到更简约、通用的特征。
-
-
最终公式：
最终模型 = 数据（Data） + 模型架构（Model） + 损失函数（Loss） + 反向传播优化（Optimization，如SGD/Adam）
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/2501_94332508/article/details/163569986
