📁 Computer Vision · 计算机视觉

计算机视觉研究的是怎么让机器从图像/视频里提取信息并理解内容——小到判断”这张图是不是猫”，大到自动驾驶里实时框出每一个行人。深度学习时代之后，CV 几乎就是”卷积神经网络 + 各种任务头”的故事，再到近几年被 Transformer 重新洗了一遍。

按任务难度递进串一条主线：

任务	回答的问题	代表模型
图像分类	这张图是什么？	LeNet → AlexNet → VGG → ResNet
目标检测	图里有什么、在哪？	R-CNN 系 / YOLO / SSD
图像分割	每个像素属于谁？	FCN / U-Net / Mask R-CNN
视觉 Transformer	不用卷积行不行？	ViT / Swin Transformer

从”整张图给一个标签”到”每个像素都要判断”，难度逐级上升，模型也越来越精巧。

TODO

• 卷积神经网络 CNN 基础（卷积 / 池化 / 感受野）
• 经典分类网络演进：LeNet / AlexNet / VGG / ResNet
• 目标检测：两阶段（R-CNN 系）vs 单阶段（YOLO / SSD）
• 图像分割：FCN / U-Net / 实例分割
• 视觉 Transformer：ViT 与 Swin
• 数据增强与迁移学习实践