第7章 · CNN 与计算机视觉

第6章 · 神经网络基础 讲了一个通用网络——全连接层堆叠。但处理图片时，全连接层有致命缺陷：把一张 224x224 的图片展开成 50176 个数字，第一层就有几千万个参数。太多了，根本训练不动。

CNN（卷积神经网络）解决了这个问题。它的核心思想朴素而深刻：图片中相邻的像素才有关联，远处的像素几乎无关，所以每个神经元只需要看一小块区域。卷积核在图片上滑动，局部观察、参数共享、逐层抽象——从边缘到纹理到物体部件再到完整物体。

本章目录

1. 7.1 卷积：滑动窗口看局部
2. 7.2 卷积运算的数学直觉
3. 7.3 池化：缩小特征图
4. 7.4 CNN 的核心组件深入
5. 7.5 经典架构（含架构速查对比表）
6. 7.6 经典 CNN 架构详解：从 1998 到 2022 的创新之路
7. 7.8 CNN 的训练技巧
8. 7.9 目标检测 — 从 R-CNN 到 YOLO
9. 7.10 图像分割：像素级的理解
10. 7.11 CNN vs ViT vs 混合架构：2026 年 CV 领域格局
11. 7.12 2026年CV的应用前沿
12. 7.13 什么时候选什么技术
13. 7.14 CNN学习路线

graph TD
    A[CNN 与计算机视觉] --> B[核心操作]
    A --> C[经典架构]
    A --> D[视觉任务]
    A --> E[2026 格局]
    B --> B1[卷积 / 池化]
    B --> B2[核心组件]
    B --> B3[训练技巧]
    C --> C1[LeNet → AlexNet → VGG]
    C --> C2[ResNet / Inception]
    C --> C3[EfficientNet / ConvNeXt]
    D --> D1[图像分类]
    D --> D2[目标检测]
    D --> D3[图像分割]
    E --> E1[CNN vs ViT vs 混合]
    E --> E2[应用前沿]
    E --> E3[选型指南]

与前置章节的关联

• 卷积 = 特殊的矩阵乘法。每个卷积操作本质上是把图像局部区域展开成向量，与卷积核权重做点积——这和 Ch03 线性代数 中矩阵乘法的”行乘列”是同一个操作。
• 池化 = 降维。把几百维的特征图压缩到几十维，同时保留最重要的信息——就像把一张高清照片缩成缩略图，虽然细节少了，但你还是能认出拍的是什么。降维是 AI 里反复出现的操作，Ch19|Ch19、Ch20|Ch20 本质上都在降维。
• YOLO 的目标检测 = 回归问题。检测框的中心坐标 (x, y) 和宽高 (w, h) 是四个连续数值——这就是回归，只不过输出从标量变成了四元组。
• ResNet 的残差连接 = Transformer 的残差连接。output = F(x) + x 这个公式在 ResNet 和 Transformer 中一模一样——它是深层网络梯度能稳定回传的数学保障。

相关笔记

• 第6章 · 神经网络基础 — CNN 是神经网络的一种
• 第9章 · Transformer 架构精讲 — Transformer 如何取代 CNN
• 第1章 · AI简史与必知过时技术 — AlexNet 的历史地位

跨章节关联

• 第6章 · 神经网络基础 — CNN 的前置：神经网络基础
• 第9章 · Transformer 架构精讲 — ViT：Transformer 在视觉中的应用
• 第19章 · 多模态深度原理 — 从 CNN 到多模态视觉

来源

• Krizhevsky et al., “AlexNet”, 2012
• He et al., “ResNet”, 2015
• Redmon et al., “YOLO”, 2015