索引 / 标签
#CNN
共 18 篇
- Ch06 神经网络基础
ConvNeXt（深挖）
ConvNeXt 是 2022 年 Meta FAIR 提出的"现代化 CNN"——它在不引入注意力机制的前提下，借鉴 Transformer 的设计理念对 ResNet 做系统性改造，最终在 ImageNet 上达到与 Swin Transformer 相当的精度，证明了"CN
约 3 分钟1,030 字 - Ch07 CNN与CV
7.1 卷积：滑动窗口看局部
上一章 全连接网络 面对图像时有一个致命缺陷：将一张 224x224 的彩色图片展开，瞬间变成 150528 个独立数字，第一层若有 1000 个神经元，参数量直奔 1.5 亿。人眼不是这样看世界的——你不会同时看清一张照片的所有像素，你的视线在一个小区域内聚焦，然后移动。
约 5 分钟1,750 字 - Ch07 CNN与CV
7.10 图像分割：像素级的理解
分类告诉你"图片里有猫"，检测告诉你"猫在 (100, 200) 到 (300, 400) 这个框里"，分割告诉你每个像素属于什么——猫的每一根毛、背景的每一片叶子都被精确标注。 7.10.1 语义分割（Semantic Segmentation）：每个像素一个类别 FCN（Fu
约 3 分钟906 字 - Ch07 CNN与CV
7.11 CNN vs ViT vs 混合架构：2026 年 CV 领域格局
CNN 擅长局部特征（卷积核 3x3 的小窗口）。Transformer 擅长全局关系（自注意力看整张图任意两个位置的关系）。 2020 年 ViT（Vision Transformer，视觉 Transformer） 出现后——它把图片切成一个个小方块（patch），每个块当作
约 1 分钟331 字 - Ch07 CNN与CV
7.12 2026年CV的应用前沿
CNN在2026年已经渗透到各行各业，以下领域是增长最快、影响最深远的： 医学影像诊断：CNN在X光片、CT、MRI图像上检测肿瘤、骨折、病变的准确率已经超过资深放射科医生。2026年，FDA批准的AI医疗影像产品超过200个。关键突破是"多模态医学AI"——CNN分析影像 +
约 1 分钟386 字 - Ch07 CNN与CV
7.13 什么时候选什么技术
7.13.1 选 CNN 的场景 - 数据量少（几千到几万张图片）——CNN 的局部假设本身就是一种"先验知识"，小数据下比 Transformer 泛化好 - 需要实时响应——YOLO 检测
约 1 分钟437 字 - Ch07 CNN与CV
7.14 CNN学习路线
如果你想系统学习CNN，按以下路线走，从基础到前沿： 第一站：LeNet（1998）——理解CNN的基本单元 学什么：卷积层、池化层、全连接层的串联方式。用MNIST手写数字识别跑通第一个CNN。搞清楚"卷积核在做什么"和"特征图是什么"。耗时约2小时。 第二站：AlexNet（
约 1 分钟470 字 - Ch07 CNN与CV
7.2 卷积运算的数学直觉
7.2.1 卷积核到底在做什么 卷积核本质上是一个模式检测器。想象你有一个3x3的小窗口，里面装着9个数字（权重），你把这个窗口在图片上滑动，每一步计算窗口和图片局部区域的点积。不同的权重组合
约 4 分钟1,262 字 - Ch07 CNN与CV
7.3 池化：缩小特征图
卷积层输出的是几十甚至几百张特征图，每张的尺寸和原图差不多（如果用了 same padding）。一张 224x224 的输入经过一个 64 通道的卷积层后，输出是 64x224x224——超过 320 万个数字。如果不加处理直接送入下一层，计算量太大，且每个数字对最终判断的重要
约 6 分钟1,810 字 - Ch07 CNN与CV
7.4 CNN 的核心组件深入
把 CNN 拆开来看，每个组件都在解决一个具体问题。理解每个组件"为什么存在"，比记住它的公式重要得多。 7.4.1 卷积层（Convolutional Layer）：CNN 的核心引擎 卷积层有几个关键超参数，决定了特征图的大小和感受野： 核大小（Kernel Size）：最常
约 6 分钟1,780 字 - Ch07 CNN与CV
7.5 经典架构
AlexNet（2012）：深度学习引爆点。8 层，第一次在 ImageNet（一个包含 1000 多个类别、超过 120 万张人工标注图片的超大规模图像数据库——2010 年代它是判断一个视觉模型好不好的"奥运会"标准）上用 GPU（图形处理器，原本为游戏渲染设计，但它的几千个
约 2 分钟719 字 - Ch07 CNN与CV
7.6 经典 CNN 架构详解：从 1998 到 2022 的创新之路
每一个经典架构都解决了一个核心问题，理解它们就是理解 CNN 的进化史。 7.6.1 LeNet-5（1998）：一切开始的地方 Yann LeCun 在 1998 年设计了 LeNet-5，用于手写数字识别（MNIST 数据集）。结构极其简单：Conv → Pool → Con
约 8 分钟2,450 字 - Ch07 CNN与CV
7.8 CNN 的训练技巧
训练一个高性能 CNN 不只是搭好架构——训练技巧同样重要，有时甚至比架构更重要。2026 年的最佳实践包括： 7.8.1 数据增强（Data Augmentation）：凭空创造数据 CNN 需要大量数据才能泛化，但标注数据很贵。数据增强在训练时"凭空"创造更多训练样本。 基础
约 2 分钟798 字 - Ch07 CNN与CV
7.9 目标检测 — 从 R-CNN 到 YOLO
目标检测不是"这张图是什么"，而是"这张图里有什么，分别在哪里"。需要同时预测物体的类别和边界框（bounding box）。 7.9.1 两阶段检测器：先找候选区域，再分类 R-CNN（2014）：用选择性搜索（Selective Search）生成约 2000 个候选区域，每
约 3 分钟1,036 字 - Ch07 CNN与CV
第7章 · CNN 与计算机视觉
Ch06 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
约 3 分钟904 字 - Ch07 CNN与CV
对比-CNNvsTransformer
概述 CNN 和 Transformer 是深度学习两大核心架构。CNN 统治计算机视觉近十年，Transformer 自 2020 年 ViT 起全面渗透视觉领域，2026 年两者在各自优势
约 2 分钟495 字 - Ch07 CNN与CV
CNN 卷积神经网络 (Convolutional Neural Network)
CNN 是专门为图像设计的神经网络——通过卷积核扫描图像提取局部特征，通过池化压缩信息，通过多层堆叠从边缘到纹理到物体逐级抽象。它是计算机视觉过去十年的绝对统治者。
约 4 分钟1,379 字 - Ch07 CNN与CV
卷积核 (Convolution Kernel)
一句话理解 滑动窗口,在图像上扫描提取局部特征——卷积核是CNN的"眼睛",通过参数化的滤波器从图像中提取边缘、纹理、形状等特征。 零基础理解 想象你用手电筒照一张大图,每次只能看到手电筒光圈
约 4 分钟1,356 字