简介本资源是北京交通大学2024年计算机视觉课程核心考点精要汇总面向高校本科生、考研学生及CV入门学习者系统梳理课程必考的40个关键知识点覆盖图像滤波原理相关/卷积/内积、Canny与Harris算法细节、SIFT特征构建、CNN基础感受野、1×1卷积、残差结构、目标检测演进R-CNN→Faster R-CNN、损失函数与优化策略等硬核内容直击期末复习与面试高频考点。资源为单文件PDF共9.69MB排版清晰、公式与图示结合紧密便于打印精读与碎片化回顾。已有666人学习下载内容高度结构化每题均含定义辨析、数学推导、物理意义阐释及典型应用场景如手势识别中的模板匹配、美颜相机中的图像增强并穿插代数/几何双视角解读如Wx的线性变换本质和工程实践提示如小批量更新权衡、σ与kernel size设置原则是高效备考与概念深化的优质参考资料。1. 卷积不是“滑动相乘”——而是信号空间里的投影操作它决定了你永远无法绕开高斯核的3σ铁律你有没有试过把一个5×5高斯核换成7×7σ保持不变结果滤波后的图像几乎看不出差别或者在Canny边缘检测里明明换了更大尺寸的高斯核边缘却没变“粗”反而更干净了这不是玄学也不是参数调得不够细——这是卷积操作在信号空间中本质是局部加权投影的直接体现它不关心你写了多少行代码去实现“滑窗”而只认一个事实——图像在某个尺度下的可分辨结构由滤波器与信号在L²空间中的内积决定而这个内积的有效支撑集被高斯函数的衰减特性死死锁在3σ以内。这份2024年bjtu计算机视觉课程必考知识点汇总表面看是一份应试清单实则是一张从线性系统理论出发、贯穿经典CV到深度学习底层逻辑的机制地图。它不教你怎么调参而是逼你回答为什么非极大值抑制必须量化梯度方向到0°/45°/90°/135°为什么SIFT用DoG近似LoG而不是直接算二阶导为什么1×1卷积能降维却不损失表达能力这些问题的答案全藏在“滤波即投影”这个核心范式里——它解释了模板匹配为何本质是互相关峰值搜索解释了高斯偏导核为何天然耦合平滑与微分也解释了为什么RPN里每个anchor的回归参数必须是4维Δx, Δy, Δw, Δh而不是随便写个向量。搞懂它你就不再把卷积当黑匣子而能一眼看穿ResNet残差连接为何缓解退化、AlexNet为何必须用ReLU、甚至为什么小批量训练比全批量更鲁棒——它们全是对“投影失真”与“空间结构坍缩”这两类根本矛盾的工程回应。这份资源的价值正在于它把散落在教材各章的“结论”用统一的线性系统微分几何语言重铸成一条可推演的逻辑链。下面我们就从最基础却最常被误解的滤波定义开始一层层拆解这条链的咬合齿痕。2. 图像滤波的三种定义方式相关、卷积、内积——同一物理过程的三种数学切片滤波操作在代码里常被写成几行嵌套for循环但它的数学本质远比实现细节深刻。这三种定义并非并列选项而是同一物理过程局部加权平均在不同坐标系与对称性约束下的等价表述。理解它们的差异与联系是穿透后续所有算法从Canny到RPN的第一道窄门。2.1 相关Cross-Correlation最直觉的模板匹配原语相关操作是人类视觉直觉的数学映射给定图像I(x,y)和模板K(u,v)在位置(x,y)处的相关值定义为(I \star K)(x, y) \sum_{u}\sum_{v} I(xu, yv) \cdot K(u, v)注意这里模板K的索引(u,v)以自身中心为原点I的索引(xu, yv)表示将K的(u,v)位置对齐到I的(x,y)像素上时K覆盖的所有像素。这正是手势识别中“模板越匹配响应值越大”的根源——它本质是I在K张成的子空间上的投影强度。关键在于相关操作不强制模板具备任何对称性。当你用一个“向右指的手势”模板去匹配图像时相关响应峰值就出现在手势出现的位置但若你用同一个模板去检测“向左指”响应会极弱——因为相关不具备旋转/翻转不变性。这也是为什么SIFT必须显式计算主方向并旋转描述子而不能直接拿原始梯度直方图匹配。2.2 卷积Convolution为满足线性时不变LTI系统而生的对称约定卷积的定义看似只比相关多了一步“翻转”(I * K)(x, y) \sum_{u}\sum_{v} I(x-u, y-v) \cdot K(u, v) (I \star \tilde{K})(x, y)其中$\tilde{K}(u,v) K(-u,-v)$是K的180°旋转。这个翻转绝非为了增加计算复杂度而是使系统满足卷积定理的前提只有当滤波器是卷积形式时频域才有$ \mathcal{F}{I * K} \mathcal{F}{I} \cdot \mathcal{F}{K} $。这意味着高斯滤波在频域是低通滤波——它直接衰减高频噪声分量拉普拉斯算子在频域是高通滤波——它增强高频边缘分量而相关操作在频域对应的是$ \mathcal{F}{I} \cdot \mathcal{F}{\tilde{K}} $其物理意义模糊。在CNN中我们实际实现的“卷积层”本质上是相关操作PyTorch/TensorFlow的nn.Conv2d默认不翻转权重但设计者仍称之为“卷积”是因为整个网络架构建立在LTI系统理论之上——权重矩阵W的每一行就是该通道对应的“有效卷积核”其频域响应决定了该通道提取何种频带特征。2.3 内积Inner Product揭示滤波的几何本质——向量空间投影将图像局部块和模板都向量化滤波退化为两个向量的点积# 假设3x3局部块和3x3模板 patch_vec I[x-1:x2, y-1:y2].flatten() # shape: (9,) kernel_vec K.flatten() # shape: (9,) response np.dot(patch_vec, kernel_vec) # scalar这个标量response正是patch_vec在kernel_vec方向上的投影长度乘以|kernel_vec|。它揭示了滤波最本质的几何意义模板K定义了一个一维子空间滤波响应就是图像局部结构在该子空间上的坐标值。当K是高斯核时这个子空间代表“平滑趋势”当K是Sobel_x时它代表“水平梯度趋势”当K是Harris结构张量M的特征向量时它代表“角点响应趋势”。提示这就是为什么Harris角点响应R det(M) - k·trace(M)²能工作——det(M)衡量两个正交方向变化的乘积角点需两方向都大trace(M)衡量总变化强度k是平衡因子。R本质是M在“角点子空间”上的投影强度。2.4 三者关系的统一图景从离散计算到连续泛函维度相关卷积内积离散实现I[xu,yv] * K[u,v]I[x-u,y-v] * K[u,v]vec(I_patch) · vec(K)连续形式$\int I(\mathbf{t}\mathbf{u}) K(\mathbf{u}) d\mathbf{u}$$\int I(\mathbf{t}-\mathbf{u}) K(\mathbf{u}) d\mathbf{u}$$\langle I_{\mathbf{t}}, K \rangle_{L^2}$物理意义模板匹配强度LTI系统脉冲响应信号在滤波器子空间的坐标频域性质$\mathcal{F}{I}\cdot\mathcal{F}{\tilde{K}}$$\mathcal{F}{I}\cdot\mathcal{F}{K}$同卷积因内积定义依赖基真正关键的洞察是无论用哪种定义滤波器K的有效作用范围由其能量分布决定而高斯函数的能量99.7%集中在[-3σ, 3σ]内——这就是kernel size6σ成为工程铁律的数学根源与你用相关还是卷积无关。3. 高斯核的3σ铁律为什么增大尺寸不改变效果以及如何正确设置参数当课程题干问“kernel size不同但σ相同时结果类似的原因”标准答案常是“高斯函数衰减快”。但这只是现象描述。要真正信服必须看到它背后的泛函分析本质高斯核作为L²空间中的函数其与图像的卷积是积分算子而该积分的有效区间由被积函数的支撑集support决定高斯函数的支撑集虽理论上无限但其L²范数的99.7%集中在直径6σ的圆盘内。3.1 从概率密度到滤波器能量3σ原则的严格推导一维高斯函数$g(x) \frac{1}{\sqrt{2\pi}\sigma} e^{-x^2/(2\sigma^2)}$是标准正态分布的概率密度函数PDF。其累积分布函数CDF满足$P(|X| \sigma) \approx 0.6827$$P(|X| 2\sigma) \approx 0.9545$$P(|X| 3\sigma) \approx 0.9973$这意味着在区间$[-3\sigma, 3\sigma]$外PDF的积分仅占0.27%。推广到二维高斯核$G(x,y) \frac{1}{2\pi\sigma^2} e^{-(x^2y^2)/(2\sigma^2)}$其能量L²范数平方为\|G\|_2^2 \iint G(x,y)^2 dx dy \frac{1}{4\pi\sigma^2}而能量在半径r内的占比为E(r) \frac{ \iint_{x^2y^2 \leq r^2} G(x,y)^2 dx dy }{ \|G\|_2^2 } 1 - e^{-r^2/(2\sigma^2)}代入$r3\sigma$得$E(3\sigma) 1 - e^{-4.5} \approx 0.9889$即98.9%的能量集中在半径3σ的圆内。因此当离散化核时取$size \lceil 6\sigma \rceil$保证覆盖±3σ已捕获绝大部分有效权重。3.2 离散化陷阱为什么直接截断高斯函数会引入偏差实践中我们常这样生成离散高斯核import numpy as np def gaussian_kernel_2d(size, sigma): ax np.arange(-size//2 1., size//2 1.) xx, yy np.meshgrid(ax, ax) kernel np.exp(-(xx**2 yy**2) / (2 * sigma**2)) return kernel / kernel.sum() # 归一化保证和为1但此方法有两大隐患边界截断误差当size 6σ时核被强行截断导致权重和1滤波后图像整体变暗采样失配高斯函数是连续的而离散网格采样会丢失高频信息尤其当σ很小时如σ0.83×3核的中心权重可能高达0.9失去平滑意义。避坑 / 常见问题 / 排查 / 注意现象用σ1.0生成5×5高斯核滤波后图像出现明显“块状伪影”。原因5×5核覆盖范围仅±2像素而3σ3核能量在边界外严重泄漏导致归一化后中心权重过大0.7平滑失效。解决强制size max(3, int(6*sigma 1))对σ0.8的场景改用其他平滑器如均值滤波。现象Canny边缘检测中同一物体在不同缩放尺度下检测出的边缘数量差异巨大。原因未对图像进行尺度归一化直接用固定σ的高斯核处理不同分辨率图像。小图上σ1.0相当于大图上σ0.5噪声抑制不足。解决在构建高斯金字塔时确保每层的σ与图像尺寸成比例如Octave i的σ σ₀ × 2^i。现象自定义高斯核用于图像锐化结果图像整体发灰、对比度下降。原因锐化需用拉普拉斯算子二阶导但错误地用了高斯核减去原图I - G*I而未归一化高斯核的直流分量。正确做法是I c*(I - G*I)其中c为增益系数。解决锐化滤波器必须满足直流增益为1频域H(0)1检查sum(kernel) 1.0。现象在OpenCV中调用cv2.GaussianBlur(img, (5,5), sigmaX1.0)结果与自己手写的5×5高斯核滤波不一致。原因OpenCV的sigmaX0时会自动计算σ0.3×((ksize-1)×0.5 - 1) 0.8且其核是基于连续高斯函数在整数坐标上的精确采样非简单网格采样。解决调试时统一用cv2.getGaussianKernel()获取一维核再外积得到二维核确保与OpenCV内部一致。3.3 高斯偏导核的设计原理平滑与微分的不可分割性高斯偏导核如Sobel、Scharr的形式为$G_\sigma * \partial_x$其设计直指一个核心矛盾直接对噪声图像求导会放大噪声而先平滑再求导会模糊边缘。高斯偏导核通过交换卷积与微分的顺序完美解决\partial_x (G_\sigma * I) (\partial_x G_\sigma) * I因为高斯函数可导所以“先平滑后求导”等价于“用高斯偏导核直接卷积”。而$\partial_x G_\sigma$本身就是一个中心为0、两侧反对称的滤波器它天然具备低通特性$G_\sigma$衰减高频抑制噪声高通特性$\partial_x$增强变化突出边缘方向选择性$\partial_x G_\sigma$对垂直边缘响应最强。这就是为什么Canny用高斯偏导而非独立的高斯梯度两步——它用一个算子同时完成噪声鲁棒性与边缘定位精度的平衡。4. Canny边缘检测的“细边缘”机制非极大值抑制与双阈值的协同设计Canny被称为“最优边缘检测器”其“最优”并非指精度最高而是指在信噪比SNR、定位精度、单响应single response三个指标上达到理论帕累托前沿。而实现这一目标的两大支柱——非极大值抑制NMS和双阈值Double Thresholding——本质上是对梯度场进行拓扑结构解析前者在梯度幅值空间做局部极大值筛选后者在连通分量空间做语义可信度裁决。4.1 非极大值抑制NMS梯度方向引导的亚像素级边缘精确定位NMS的目标是将梯度幅值图$M(x,y)$中所有非局部极大值点置零只保留“脊线”上的点。其关键在于极大值必须沿梯度方向而非像素网格判断。给定梯度方向θ需比较$M(x,y)$与其在θ方向上两个相邻像素的值。由于θ是连续的而像素是离散的必须量化角度量化法课程常用将θ映射到4个离散方向0°水平比较$(x-1,y)$和$(x1,y)$45°对角比较$(x-1,y-1)$和$(x1,y1)$90°垂直比较$(x,y-1)$和$(x,y1)$135°对角比较$(x-1,y1)$和$(x1,y-1)$线性插值法更精确设θ∈[0°,45°)则梯度方向单位向量为$(\cos\theta, \sin\theta)$需插值的两点为p_1 M(x-\cos\theta, y-\sin\theta), \quad p_2 M(x\cos\theta, y\sin\theta)实际中用双线性插值计算$p_1,p_2$。提示NMS输出的“细边缘”本质是梯度幅值场的1维流形manifold它要求边缘必须是连续的、无断裂的曲线。这正是后续双阈值能工作的前提——如果NMS输出的是孤立点双阈值无法建立连通性。4.2 双阈值Double Thresholding基于图连通性的边缘可信度传播双阈值不是简单的高低阈值切割而是一个图论中的种子生长seed growing过程强边缘点$M T_{high}$被无条件接受为最终边缘作为“种子”弱边缘点$T_{low} M T_{high}$仅当它与某个强边缘点8邻域连通时才被接受背景点$M T_{low}$被拒绝。其数学本质是定义图$G(V,E)$其中$V$是弱边缘点集合$E$连接8邻域内均为弱边缘的点。然后对每个连通分量$C_i$检查是否存在一个顶点$v_j \in C_i$满足存在强边缘点$u$使得$dist(v_j,u) \leq 1$8邻域。若存在则整个$C_i$被接纳。这解释了为何双阈值能有效抑制噪声噪声点通常是孤立的弱响应无法形成连通分量更不可能连接到强边缘种子而真实边缘即使局部信噪比低也能通过连通性“借力”强边缘区域。4.3 Canny全流程的信号处理视角从LTI系统到非线性决策Canny可视为一个级联系统LTI预处理$I \to G_\sigma * I$ 高斯低通抑制噪声LTI特征提取$G_\sigma * I \to [G_\sigma * \partial_x I, G_\sigma * \partial_y I]$ 高斯偏导计算梯度非线性合成$(I_x, I_y) \to M \sqrt{I_x^2 I_y^2}, \theta \arctan2(I_y, I_x)$ 梯度幅值与方向非线性决策$M \to \text{NMS}(M,\theta) \to \text{DoubleThreshold}(\cdot)$ 拓扑筛选避坑 / 常见问题 / 排查 / 注意现象Canny输出边缘呈“虚线状”中间有规律性断裂。原因NMS角度量化过于粗糙如只用0°/90°导致在斜边处漏检。例如45°边缘其梯度方向接近45°但被量化到0°或90°比较的像素点不在真实梯度方向上。解决使用线性插值法或至少采用8方向量化0°,22.5°,45°,...。现象双阈值后大量弱边缘被丢弃但物体轮廓仍完整另一些图却出现大面积缺失。原因$T_{low}/T_{high}$比值固定如0.4/0.8但不同图像的梯度幅值分布差异巨大。强光照下$M_{max}$可达200弱光下仅20。解决动态设定阈值如$T_{high} \text{median}(M) 2\cdot\text{std}(M)$$T_{low} 0.4 \cdot T_{high}$。现象对同一图像先缩放再Canny与先Canny再缩放结果不一致。原因Canny不是尺度不变算子。缩放改变了像素间距而高斯σ是绝对像素单位。100×100图上σ2.0等效于200×200图上σ4.0。解决在多尺度检测中必须构建高斯金字塔每层用匹配σ的高斯核σ ∝ 图像尺寸。现象边缘检测结果在物体边界处有1-2像素偏移。原因高斯平滑使边缘模糊梯度峰值位置偏离真实边界。理论分析表明高斯核会使边缘定位误差达σ/√2像素。解决使用更小的σ牺牲噪声鲁棒性或在NMS后用亚像素插值精确定位如拟合抛物线找峰值。5. SIFT的“双塔”结构与尺度选择为什么DoG是LoG的高效代理SIFTScale-Invariant Feature Transform的“双塔”常被误解为两个独立金字塔。实际上它是一个高斯金字塔Gaussian Pyramid与一个高斯差分金字塔Difference-of-Gaussian, DoG的共生结构其设计动机直指经典CV的终极挑战如何让特征检测器对图像的尺度变化zoom in/out具有不变性。而DoG作为LoGLaplacian of Gaussian的代理是计算效率与数学严谨性妥协的典范。5.1 自动尺度选择在尺度空间中寻找稳定极值尺度空间理论认为一幅图像$I(x,y)$的尺度空间表示为$L(x,y,\sigma) G_\sigma * I(x,y)$其中σ是尺度参数。关键洞察是图像中稳定的结构如角点、斑点会在某个σ处产生极值响应。例如一个半径为r的圆斑其LoG响应在σ≈r时达到最大。SIFT通过构建DoG金字塔来近似这一过程高斯金字塔对原图$I$用递增的σ进行高斯模糊每组Octave内σ按比例增长如$σ, kσ, k^2σ, ...$组间图像下采样2倍DoG金字塔同一组内相邻尺度的高斯图像相减$D(x,y,σ) L(x,y,kσ) - L(x,y,σ)$。根据泰勒展开当$k \to 1$时$D \propto \sigma^2 \nabla^2 L$即DoG是LoG的近似。而LoG正是斑点检测器的理论最优核符合尺度归一化导数。5.2 “双塔”如何简化计算四重优化策略的工程智慧课程中列出的四处简化实则是SIFT在1999年硬件限制下做出的精妙权衡组内尺度复用计算$kσ$尺度的高斯模糊无需新卷积只需对$σ$尺度结果再用$\sqrt{k^2-1}σ$核卷积。这利用了高斯卷积的半群性质$G_{σ_1} * G_{σ_2} G_{\sqrt{σ_1^2σ_2^2}}$。组间尺度复用Octave 2的$2σ$层可由Octave 1的倒数第三层已含$2σ$模糊下采样得到避免对原图用大σ核卷积——大σ核计算量随$σ^2$增长而下采样是O(N)操作。DoG替代LoG计算LoG需二阶导数涉及更多浮点运算DoG只需两次高斯卷积加一次减法且减法是整数运算速度提升3倍以上。极值检测的稀疏性DoG金字塔中极值点关键点只占所有像素的~0.1%后续描述子计算只针对这些稀疏点避免全图密集计算。5.3 关键点方向分配梯度直方图的加权投票机制为赋予关键点旋转不变性SIFT在关键点邻域内构建梯度方向直方图邻域定义以关键点为中心半径$R 1.5σ$的圆形区域σ为该点所在尺度梯度计算对区域内每个像素计算梯度幅值$M$和方向$θ$加权投票距离权重$w_d \exp\left(-\frac{x^2y^2}{2(1.5σ)^2}\right)$越靠近中心权重越大幅值权重$w_m M$梯度越强越重要总权重$w w_d \cdot w_m$直方图构建将$[0°,360°)$分为36个bin每10°一格每个像素按其$θ$投到相邻两个bin权重按角度距离线性分配。最终主方向取直方图峰值辅方向取峰值≥80%的其他峰——这保证了关键点可有多个方向适应对称结构如圆形纹理。避坑 / 常见问题 / 排查 / 注意现象SIFT在旋转后的图像上匹配失败关键点方向不一致。原因方向直方图bin数过少如仅8个角度量化误差大或未使用双线性插值分配权重。解决使用36-bin直方图并在投票时对$θ$进行双线性插值投到floor(θ)和ceil(θ)两个bin。现象关键点数量随图像缩放剧烈波动小图上几乎无关键点。原因未构建完整的高斯金字塔或Octave层数不足至少4层。小图需更高倍率下采样才能生成足够尺度的模糊。解决确保每Octave至少有5层高斯图像且图像最小边长≥64像素。现象描述子匹配时大量误匹配出现在图像边缘。原因边缘区域梯度方向混乱直方图无主导峰主方向不稳定。SIFT默认丢弃梯度幅值和小于阈值的点但边缘噪声仍干扰。解决在方向分配前先用Harris响应过滤掉低对比度区域R 0.01。现象DoG金字塔中检测到大量位于图像边界的极值点但这些点后续被剔除。原因边界像素的DoG响应易受填充方式zero-padding vs. reflect影响产生虚假极值。解决在极值检测时忽略距离图像边界$σ$像素内的所有点SIFT默认忽略3σ。6. 从R-CNN到Faster R-CNN的演进区域提议Region Proposal如何从外部模块进化为网络第一公民目标检测的演进史本质是区域提议Region Proposal机制如何从一个独立、低效、与检测器割裂的“外部插件”逐步内化为端到端可学习的网络核心组件。R-CNN、Fast R-CNN、Faster R-CNN的三次跃迁每一次都围绕一个核心问题如何让候选区域的生成与最终的分类/回归任务共享特征、联合优化、并具备可微分性这个问题的答案决定了现代检测器的架构基因。6.1 R-CNN的致命瓶颈区域提议与特征提取的双重割裂R-CNN的流程是典型的“流水线式”pipeline设计外部提议用Selective SearchSS生成~2000个候选框独立特征提取对每个框裁剪、缩放至224×224单独送入CNN如AlexNet独立分类/回归CNN特征送入SVM分类器和线性回归器。这种设计导致三大硬伤计算冗余同一图像区域被CNN重复计算2000次而CNN的卷积层本可共享存储爆炸2000个224×224图像的CNN特征4096维需GB级内存训练割裂CNN、SVM、回归器分阶段训练无法端到端优化。关键洞察SS生成的候选框是手工设计的启发式规则基于颜色、纹理、大小一致性它不感知CNN学到的高层语义也无法反向传播梯度去改进自身。6.2 Fast R-CNN的破局RoI Pooling——让区域提议“搭便车”共享卷积特征Fast R-CNN的核心创新是特征共享整张图像一次通过CNN得到特征图如14×14×512SS生成的候选框通过RoI Pooling映射到特征图上裁剪并池化为固定尺寸如7×7所有RoI共享同一特征图计算量从O(2000×CNN)降至O(CNN 2000×RoI)。RoI Pooling的数学定义为\text{RoI Pooling}(R) \max_{(i,j) \in \text{bin}_{p,q}} F\left( \left\lfloor r_x \frac{i}{H} \Delta x \right\rfloor, \left\lfloor r_y \frac{j}{W} \Delta y \right\rfloor \right)其中$R$是候选框$F$是特征图$\text{bin}_{p,q}$是将$R$划分为$H×W$个bin后的第(p,q)个子区域。它本质是空间坐标变换 最大池化且是可微分的梯度可回传到特征图。但Fast R-CNN仍未解决根本问题SS仍是外部、不可学习的模块。它无法根据检测任务的loss调整自身也无法与CNN联合优化。6.3 Faster R-CNN的革命RPN——区域提议成为网络的“眼睛”Faster R-CNN的里程碑意义在于它用区域提议网络RPN彻底取代了SSRPN是一个全卷积网络附着在CNN主干的最后特征图上它在特征图每个位置如20×15滑动一个小网络如3×3卷积为每个预设的Anchor如9种尺度/长宽比输出二分类objectness得分是否包含物体边界框回归4个参数$(\Delta x, \Delta y, \Delta w, \Delta h)$用于修正Anchor。RPN的损失函数是多任务的\mathcal{L}_{RPN} \frac{1}{N_{cls}} \sum_i \mathcal{L}_{cls}(p_i, p_i^*) \lambda \frac{1}{N_{reg}} \sum_i p_i^* \mathcal{L}_{reg}(t_i, t_i^*)其中$p_i$是预测的objectness$p_i^$是GT标签0或1$t_i$是预测的回归参数$t_i^$是GT回归目标$\mathcal{L}_{reg}$是Smooth L1损失。这才是真正的端到端RPN的梯度直接来自检测任务的loss它学会的不是“看起来像物体”而是“对最终检测精度贡献最大的区域”。6.4 RPN的设计哲学锚点Anchor作为可学习的先验Anchor机制是RPN的精髓。它不从零学习所有可能的框而是在特征图每个位置预设一组“典型物体”的先验形状如3种尺度×3种长宽比9个Anchor。RPN的任务被简化为分类这9个Anchor中哪些是“好”的IoU0.7回归对每个“好”Anchor如何微调它使其更贴合GT这极大降低了学习难度且Anchor的尺度/长本文还有配套的精品资源点击获取
