技术应用
1. CV技术的应用现状
- 工业领域：产品缺陷检测、无人车间视觉引导；
- 安防领域：人脸识别、视频监控行为分析；
- 医疗领域：医学影像诊断（如CT/MRI病灶识别）；
- 消费电子：手机人脸解锁、拍照美颜、AR/VR视觉交互；
- 自动驾驶：环境感知（车道线、行人、车辆检测）；
- 文娱领域：图像生成（AI绘画）、视频内容理解与推荐。
2. CNN模型识别图像中对象的流程
1. 输入层：接收预处理后的图像数据（如归一化、尺寸调整）；
2. 卷积层：通过卷积核提取图像局部特征（如边缘、纹理）；
3. 激活层：用ReLU等激活函数引入非线性，增强模型表达能力；
4. 池化层：对特征图下采样，减少参数并保留关键特征；
5. 全连接层：将提取的特征映射为类别概率；
6. 输出层：通过Softmax等函数输出对象的类别预测结果。
3. 残差学习的设计理念
残差学习针对深层CNN的梯度消失/爆炸和退化问题提出：
- 引入残差块，让网络学习“输入与输出的残差”而非直接学习映射，简化学习目标；
- 通过短路连接（跳跃连接），让底层特征直接传递到高层，缓解深层网络的信息丢失；
- 使超深网络（如ResNet-152）的训练成为可能，同时提升模型的拟合能力和泛化性。
课程实践补充（GPT-1与ViT的Transformer模块差异）
- GPT-1用解码器的原因：GPT-1面向NLP的生成任务（如文本续写），解码器的自回归注意力能基于前文生成后续内容，且掩码机制避免看到未来token，符合语言生成的时序逻辑。
- ViT用编码器的原因：ViT面向CV的图像分类/识别任务，编码器的自注意力可全局捕捉图像像素间的关联，无需时序约束，能更高效地对图像块进行特征建模
