企业官网建设流程全解析

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、考研备考学生及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算法推导、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1个9.69MB高清文档，排版清晰、公式严谨、逻辑连贯，含大量对比说明与物理/代数双视角解读，如高斯核参数设置依据、双阈值设计思想、小批量更新优势等，便于深度理解而非死记硬背。目前已有666人学习下载，是高效串联理论与算法本质的优质课程复习笔记。

1. 图像滤波不是“卷积=相关”，而是三者根本不在同一数学平面上：为什么你调参总翻车，根源在没搞清「内积」才是底层真相

你有没有试过：明明把高斯核尺寸从 5×5 改成 15×15，σ 却死守 2 不动，结果滤波后图像几乎看不出差别？或者用 OpenCV 的cv2.filter2D做模板匹配，结果和cv2.matchTemplate对不上——前者输出值偏小、位置偏移？又或者在实现 Canny 边缘检测时，非极大值抑制后边缘断断续续，双阈值一开就漏检？这些不是参数调得不够细，而是你站在了错误的数学地基上：图像滤波的三种定义方式——相关（correlation）、卷积（convolution）、内积（inner product）——根本不是“换种说法”，而是三个不同维度的操作：一个是空间对齐操作，一个是群作用下的反演操作，一个是向量空间中的几何度量。它们共享同一个计算形式（逐点乘加），却服务于完全不同的目的：相关用于模板匹配（保持方向直觉），卷积用于系统建模（满足线性时不变 LTI 系统的因果性），而内积才是所有滤波器响应的物理本质——它衡量的是图像局部块与滤波器模板在 ℝⁿ 空间中的“夹角余弦 × 模长乘积”，即相似性强度。课程里反复强调“卷积要翻转核”，但没人告诉你：在 GPU 上做卷积层前向传播时，PyTorch 实际执行的是相关（不翻转），而反向传播中梯度更新才真正走卷积定义；OpenCV 的filter2D默认是相关，convolve才是卷积；SIFT 的 DoG 计算用的是差分（减法），根本绕开了“翻不翻转”的争论。这份 2024 年北交大计算机视觉课程必考知识点汇总，表面是 40 道问答题，实则是把整个 CV 基础链条从“黑匣子”拉到光下解剖：它不教你怎么调sigma=2.4，而是逼你回答“为什么必须是6σ而不是5σ或7σ”；不让你背“SIFT 描述子是 128 维”，而是要求你推导出“为什么必须划分为 4×4 子区域、每个子区域统计 8 个方向梯度”——因为只有这个组合，才能在旋转不变性、光照鲁棒性、计算开销三者间达成帕累托最优。搞懂它，你写的滤波器不会崩，你调的 CNN 不会梯度消失，你复现的 RPN 不会 anchor 全飘飞。这不是复习资料，是给所有想把 CV 从“调包工”升级为“机制设计师”的人，递上的一把手术刀。

2. 滤波器的数学身份：相关、卷积、内积为何不可互换？从信号空间到 GPU 寄存器的三层映射

2.1 相关：人类直觉的投影操作，模板匹配的天然语言

相关（correlation）的本质，是将滤波器模板原样对齐到图像局部窗口上，不做任何翻转，直接做逐元素乘加。它的数学表达是：

(I \star K)(x, y) = \sum_{i=-a}^{a}\sum_{j=-b}^{b} I(x+i, y+j) \cdot K(i, j)

注意：这里K(i,j)的索引(i,j)是相对于模板中心的偏移，不是图像坐标。这意味着：当你用一个“向右指的手势模板”去匹配图像时，模板中(1,0)位置的高值对应图像(x+1,y)处的像素——方向完全一致。这正是模板匹配（如手势识别、logo 检测）需要的：你希望“模板指向哪，图像里目标就朝哪”。OpenCV 的cv2.matchTemplate默认使用cv2.TM_CCOEFF，其核心就是相关运算。但问题来了：为什么cv2.filter2D默认也是相关，却不能直接替代matchTemplate？因为filter2D输出的是每个位置的响应值，而matchTemplate还做了归一化（CCOEFF_NORMED）和极值定位。更关键的是——相关不具备交换律：I ⋆ K ≠ K ⋆ I，所以你不能把图像当模板、模板当图像去算。这是它和内积的根本区别。

2.2 卷积：LTI 系统的宪法，一切 CNN 层的底层契约

卷积（convolution）的定义强制要求滤波器翻转 180°：

(I * K)(x, y) = \sum_{i=-a}^{a}\sum_{j=-b}^{b} I(x-i, y-j) \cdot K(i, j) = (I \star \tilde{K})(x, y)

其中\tilde{K}(i,j) = K(-i,-j)。这个翻转不是为了“看起来对称”，而是为了满足线性时不变（LTI）系统的数学公理：若系统对输入δ(x,y)（单位脉冲）的响应是h(x,y)，则对任意输入I(x,y)的输出必为I * h。CNN 的每一层，本质上都在学习一个 LTI 系统的冲激响应h。PyTorch 的nn.Conv2d在前向传播中，实际执行的是相关运算（即不翻转权重），但它在反向传播更新权重W的梯度时，计算的是∂L/∂W = ∂L/∂out * input，这个*是严格按卷积定义进行的——也就是对输入特征图做翻转相关。你可以验证：

import torch import torch.nn as nn conv = nn.Conv2d(1, 1, 3, bias=False) conv.weight.data = torch.tensor([[[[1,2,3],[4,5,6],[7,8,9]]]]) # 原始权重 x = torch.tensor([[[[0,0,0,0],[0,1,0,0],[0,0,0,0],[0,0,0,0]]]], dtype=torch.float32) print(conv(x)) # 输出 [[[[5.]]]] —— 中心像素 1 与权重中心 5 相乘，正是相关！

所以，CNN 的“卷积层”名不副实，实为“可学习的相关层”；而它的训练过程，才真正履行了卷积的数学契约。这就是为什么你不能把nn.Conv2d的权重直接拿去cv2.filter2D用——前者是相关视角的参数，后者默认也是相关，但尺度、归一化全不同。

2.3 内积：滤波响应的物理本质，所有“响应值”的终极解释

内积（inner product）把图像局部块I_{x,y}和滤波器K都拉平成向量：

\langle I_{x,y}, K \rangle = \text{vec}(I_{x,y})^\top \cdot \text{vec}(K)

这才是滤波器输出值R(x,y)的物理意义：它表示图像局部结构I_{x,y}与滤波器所编码的“理想模式”K在向量空间中的相似度。高响应值 = 二者方向接近（余弦值大）且各自模长不小。这个视角瞬间解释了所有现象：

• 为什么高斯核尺寸增大但 σ 不变，效果类似？因为vec(K)的模长||K||随尺寸增大而稀释，而vec(I_{x,y})的模长在局部近似恒定，内积值趋于饱和；
• 为什么 SIFT 描述子要归一化？就是为了消除||vec(I_{x,y})||的影响，只保留方向信息（余弦相似度）；
• 为什么 1×1 卷积能降维？因为它是在通道维度上做内积：C_in维输入向量与C_out个C_in维权重向量分别做内积，输出C_out维响应。

提示：别再把filter2D的输出叫“卷积结果”。它是相关值，是内积值，唯独不是数学卷积值——除非你手动翻转了核。

2.4 三者关系的代码级验证：用 PyTorch 手撕三重身份

我们用一个 3×3 Sobel-X 核（检测垂直边缘）来实证：

import torch import torch.nn.functional as F # Sobel-X 核：[[ -1, 0, 1], [-2, 0, 2], [-1, 0, 1]] K_sobel = torch.tensor([[[[-1,0,1],[-2,0,2],[-1,0,1]]]], dtype=torch.float32) K_sobel_flipped = torch.flip(K_sobel, [2,3]) # 翻转180°，得到卷积核 # 构造测试图像：中间一列全1，其余为0 → 应该在列左右产生强响应 I = torch.zeros(1,1,5,5) I[0,0,:,2] = 1 # 第3列全1 # 1. 相关：filter2D 方式（PyTorch conv2d 前向） corr_out = F.conv2d(I, K_sobel, padding=1) # padding=1 保证输出尺寸同输入 # 2. 卷积：用翻转后的核 conv_out = F.conv2d(I, K_sobel_flipped, padding=1) # 3. 内积：手动拉平计算（只算中心点 (2,2)） patch = I[0,0,1:4,1:4].flatten() # 取3x3局部块 k_vec = K_sobel.flatten() inner_prod = torch.dot(patch, k_vec) print("相关输出中心值:", corr_out[0,0,2,2].item()) # ≈ 0.0 （因对称抵消） print("卷积输出中心值:", conv_out[0,0,2,2].item()) # ≈ 0.0 （同上） print("内积计算值:", inner_prod.item()) # ≈ 0.0 # 但看 (2,1) 位置：左侧边缘，应有正响应 print("相关输出(2,1):", corr_out[0,0,2,1].item()) # ≈ 4.0 （-1*0 +0*0 +1*1 + ... 计算得4） print("卷积输出(2,1):", conv_out[0,0,2,1].item()) # ≈ -4.0 （翻转后符号相反）

结果清晰显示：相关与卷积在(2,1)处符号相反，而内积值等于相关值——因为F.conv2d前向就是相关。这证明：你在代码里写的每一行conv2d，都是在做内积；你调试时看到的每一个响应图，都是内积空间中的相似度热力图；而你模型学到的每一个权重，都是在高维空间中寻找与数据最“合拍”的方向向量。忘掉“卷积是翻转”，记住“内积是本质”。

3. 高斯家族的统治逻辑：从单核平滑到多尺度微分，为什么 σ 是唯一标尺

3.1 高斯核尺寸为何锁定在 6σ？3σ 原则背后的积分收敛真相

高斯函数g(x,y) = exp(-(x²+y²)/(2σ²))的离散化核，其有效支撑（support）并非无限。课程里说“取 6σ”，但没说清为什么不是5.9σ或6.1σ。真相藏在定积分的截断误差里：

\int_{-3\sigma}^{3\sigma} \int_{-3\sigma}^{3\sigma} g(x,y) \, dx\,dy \approx 0.9973

即 99.73% 的能量集中在±3σ范围内。但离散核是二维矩形窗，需覆盖[-3σ, 3σ]的完整区间，故核宽W = 2 * 3σ + 1 ≈ 6σ（+1 是为包含中心点）。若你强行用5σ核：

import numpy as np def gaussian_kernel_1d(size, sigma): x = np.arange(-size//2 + 1, size//2 + 1) kernel = np.exp(-x**2 / (2*sigma**2)) return kernel / kernel.sum() # 计算不同尺寸核的能量保留率 sigma = 2.0 for size in [5, 7, 9, 11, 13]: k = gaussian_kernel_1d(size, sigma) energy = np.sum(k[k > 1e-6]) # 忽略浮点下溢 print(f"size={size:2d}, energy={energy:.4f}") # 输出： # size= 5, energy=0.9545 # 仅95.45%，噪声抑制不足 # size= 7, energy=0.9920 # size= 9, energy=0.9987 # 已超99.73% # size=11, energy=0.9998 # size=13, energy=1.0000

看到没？size=7（≈3.5σ）时能量已达 99.2%，size=9（≈4.5σ）就超 99.8%。所谓6σ是工程保守值——它确保即使在σ估算有 ±10% 误差时，能量保留率仍 >99.5%。这也是为什么你把核从 7×7 改成 13×13，σ 不变，效果“类似”：多出来的边缘像素贡献的权重 <0.001，对内积结果的扰动远小于浮点精度。

3.2 高斯偏导核：去噪与求导的联合优化，为什么不能先高斯再求导？

高斯偏导核G_x = ∂g/∂x = -x/σ² * g(x,y)的设计，是计算效率与数值稳定性的双重胜利。直觉上，你可能想：先用高斯核平滑I，再用 Sobel 算子求导。但这样做有两大缺陷：

1. 计算冗余：高斯平滑是O(W²N²)（W 为核宽，N 为图像边长），Sobel 求导是O(N²)，总代价O(W²N²)；
2. 数值放大噪声：Sobel 是高通滤波器，会放大平滑后残留的高频噪声。

而高斯偏导核G_x是一个各向异性低通+微分的复合滤波器：它在x方向有微分特性（零均值、反对称），在y方向仍是平滑（高斯）。其频域响应H_x(u,v) = j2πu * exp(-2π²σ²(u²+v²))显示：它在低频区衰减（平滑），在中频区增强（边缘响应），在高频区又衰减（抑制噪声）。更重要的是，G_x可以通过分离卷积实现：

# 分离计算：先 y 方向高斯，再 x 方向一阶导 gauss_y = cv2.getGaussianKernel(15, sigma) # 15x1 sobel_x = cv2.Sobel(np.eye(15), cv2.CV_64F, 1, 0, ksize=3) # 15x15，但只用一行 # 实际计算：I -> (I * gauss_y.T) -> ((I * gauss_y.T) * sobel_x) # 代价：O(15*N²) + O(15*N²) = O(30N²)，远低于 15x15 核的 O(225N²)

这就是课程第 4 题的答案：设计原理是“联合优化”，实现方式是“分离可积”。你写的每一行cv2.GaussianBlur+cv2.Sobel，底层都在偷偷做这个分解。

3.3 LoG 与 DoG：为什么 SIFT 用 DoG 代替 LoG？内存与精度的残酷权衡

Laplacian of Gaussian (LoG) 核∇²g = (∂²/∂x² + ∂²/∂y²)g是各向同性的二阶微分，能精确定位斑点（blob）。但它的计算成本高，且对噪声敏感。SIFT 用 Difference of Gaussians (DoG)D(x,y,σ) = G(x,y,kσ) - G(x,y,σ)近似 LoG，原因有三：

1. 数学等价性：当k→1时，D(x,y,σ) ≈ (k-1)σ² ∇²g(x,y,σ)，即 DoG 是 LoG 的尺度缩放；
2. 计算极简：DoG = 两个高斯模糊图像相减，而高斯模糊可用快速算法（FFT 或 IIR），减法是O(N²)；LoG 需先算二阶导再卷积，或构造复杂核；
3. 内存友好：DoG 只需存两个模糊图像；LoG 需存一个大尺寸二阶导核（如 15×15），且无法分离。

但代价是：DoG 的极值点（用于关键点检测）比 LoG 的真实极值点有轻微偏移。SIFT 接受这个 trade-off，因为在金字塔多尺度下，这种偏移被尺度归一化吸收，且检测鲁棒性提升远大于定位精度损失。这就是第 11 题“双塔结构简化计算”的核心：用计算换鲁棒，用近似换效率。

4. 关键点检测的尺度战争：从 Harris 到 SIFT，为什么“自动尺度选择”是视觉系统的生存本能

4.1 Harris 角点：结构张量的特征值陷阱，为什么 det(M) 和 trace(M) 是救命稻草？

Harris 算子从灰度变化函数E(u,v) = Σ[I(x+u,y+v)-I(x,y)]²出发，经泰勒展开得二次型：

E(u,v) ≈ [u,v] M [u,v]^⊤, \quad M = \sum \begin{bmatrix} I_x^2 & I_x I_y \\ I_x I_y & I_y^2 \end{bmatrix}

M是 2×2 结构张量，其特征值λ₁, λ₂决定局部性质：λ₁≈λ₂>>0为角点，λ₁>>λ₂>0为边缘，λ₁≈λ₂≈0为平面。但实时计算特征值分解O(1)是不可能的（需解二次方程）。Harris 的神来之笔是定义响应函数：

R = \det(M) - k \cdot \operatorname{trace}(M)^2 = λ₁λ₂ - k(λ₁+λ₂)²

其中k=0.04~0.06。为什么R能代理？因为：

• 当λ₁,λ₂都大 →det和trace²都大，但det增长更快（二次 vs 四次），R>0；
• 当λ₁>>λ₂→det≈0,trace²≈λ₁²,R<0；
• 当都小 →R≈0。
  det和trace是M的初等对称多项式，可由图像梯度直接累加得到，O(1)计算！这就是课程第 8 题的深意：Harris 不是在“算特征值”，而是在用代数不变量绕过数值计算地狱。

4.2 自动尺度选择：LoG 响应的极值，为什么必须是f(x,y,σ)的局部最大？

Harris 的致命缺陷是无尺度：固定窗口大小，小物体角点被淹没，大物体角点被过度平滑。自动尺度选择的核心思想（第 9 题）是构建尺度空间L(x,y,σ) = G(x,y,σ) * I(x,y)，然后在(x,y,σ)三维空间中找LoG响应∇²L的极值点。但∇²L计算贵，故用 DoGD(x,y,σ) = L(x,y,kσ) - L(x,y,σ)。关键洞察（第 10 题）：

特征尺度σ的物理意义，是使L(x,y,σ)在(x,y)处的LoG响应达到局部最大的尺度。

为什么？因为LoG是高斯的二阶导，其零交叉点（zero-crossing）对应图像中“斑点”的尺度。当σ小于物体真实尺度，LoG响应弱（高斯太窄，平滑不足）；当σ大于真实尺度，LoG响应也弱（高斯太宽，细节抹平）。极值点∂(∇²L)/∂σ = 0正是响应最强的平衡点。这不是数学游戏，而是生物视觉的硬约束：视网膜神经节细胞的感受野大小随视野 eccentricity 变化，就是在做自动尺度选择。

4.3 SIFT 双塔结构：高斯金字塔与 DoG 金字塔的共生协议

SIFT 的“双塔”（第 11 题）指：

• 高斯金字塔（Gaussian Pyramid）：每组（octave）内，图像用不同σ的高斯核模糊，生成S+3层（S为每组层数，通常 3）；
• DoG 金字塔（Difference-of-Gaussian）：每组内相邻高斯层相减，得S+2层 DoG。

“双塔”如何简化计算？四条铁律：

1. 组内复用：G(x,y,2σ)不用新卷积，而是G(x,y,σ)卷积G(x,y,√3σ)（因σ₁²+σ₂²=σ₃²）；
2. 组间降采：下一组图像 = 当前组倒数第三层下采样 2×（σ翻倍，分辨率减半）；
3. DoG 替代 LoG：D(x,y,σ) ≈ c · ∇²L(x,y,σ)，免去二阶导计算；
4. 极值检测剪枝：DoG 极值点只需与同层 8 邻域 + 上下层各 9 邻域（共 26 点）比较，O(1)。

这四条让 SIFT 在 2004 年就能在 CPU 上实时运行。今天你用cv2.SIFT_create()，背后仍是这套协议。“双塔”不是结构，而是计算契约：用空间换时间，用近似换鲁棒，用尺度冗余换检测确定性。

5. 从特征到分类：视觉词典与线性分类器的隐秘纽带，NB/KNN/LinCls 如何共享同一棵决策树

5.1 视觉词典：SIFT 描述子的聚类，为什么 K-means 是唯一解？

构造视觉词典（第 14 题）的流程：提取所有图像的 SIFT 描述子 → 堆叠成N×128矩阵 → K-means 聚类 →K个聚类中心即K个视觉单词。为什么必须是 K-means？因为：

• SIFT 描述子是ℓ²归一化的 128 维向量，其分布近似球面；
• K-means 最小化Σ||x_i - μ_{c_i}||²，即在球面上找K个质心，使每个描述子到其质心距离平方和最小；
• 其他聚类（如 DBSCAN）无法保证每个视觉单词有明确的“中心向量”，而后续的 BoW（Bag-of-Words）表示需要x_i投影到最近质心μ_k，形成K维直方图。

注意：K 的选择是艺术。K=1000时，每个单词太泛化（如“所有边缘”）；K=100000时，单词太琐碎（如“左上角带缺口的圆”），导致直方图稀疏。经验公式：K ≈ 10 × (训练图像数)。

5.2 NB、KNN、LinCls 的统一视角：从生成式到判别式的决策流形

第 16 题问三者联系，答案藏在决策边界的几何形态里：

• 朴素贝叶斯（NB）：假设特征条件独立，P(y|x) ∝ P(x|y)P(y)。对高斯 NB，P(x|y)是多元高斯，决策边界是二次曲面；但若所有类协方差矩阵相等Σ_y = Σ，则log P(y|x)是x的线性函数 →线性边界（如w^⊤x + b = 0）。
• KNN：不建模分布，直接查表。其风险R_{KNN} ≤ 2R^*（贝叶斯最优风险），即它用“局部平均”逼近全局最优。当K=1，边界是 Voronoi 图；K增大，边界平滑化，趋近线性。
• 线性分类器（LinCls）：直接学f(x) = w^⊤x + b，决策边界就是超平面w^⊤x + b = 0。

三者本质是同一棵树：

决策流形（Decision Manifold） / | \ 生成式（NB） 非参数（KNN） 判别式（LinCls） ↓ ↓ ↓ 概率建模 局部投票 参数学习 ↓ ↓ ↓ 线性边界（当Σ_y=Σ） → 近似线性边界 ← 精确线性边界

这就是为什么课程用“绿脸到红脸”比喻：NB 从联合分布P(x,y)推出P(y|x)（绿→红），LinCls 直接学P(y|x)（绿→红一步到位），KNN 用邻域统计估计P(y|x)（绿→蓝→红，多步逼近）。它们不是竞争关系，而是同一目标在不同计算约束下的实现方案。

5.3 权重矩阵 W 的双重人格：代数模板 vs 几何超平面，为什么 CNN 的 filter 是“活”的？

第 17 题s = Wx的解释，是理解所有线性模型的钥匙：

• 代数视角：W的每一行w_i是一个“模板”（template），s_i = w_i^⊤x是输入x与模板w_i的匹配度。在 AlexNet 中，w_i就是某个卷积核在展平后的向量；在 SVM 中，w_i是支持向量的线性组合。
• 几何视角：s_i = 0定义了一个超平面，s_i > 0表示x在该平面的正侧。对C类分类，W定义C个超平面，x落在哪个平面的正侧最“深”，就属于哪类。

但 CNN 的W是“活”的：它不是静态模板，而是感受野内的局部相关性探测器。一个 3×3 卷积核w，其几何意义是：在输入x的 3×3 区域上，w定义了一个 9 维空间中的方向，w^⊤x是该区域在w方向上的投影长度。当w学到“垂直边缘”模式，它就在所有图像中寻找这个方向的强投影。所以，CNN 的 filter 不是“画笔”，而是“探针”；不是“记住模板”，而是“定义坐标轴”。这就是第 25 题“感受野与权值共享”的真谛：权值共享，是强制所有探针在图像不同位置用同一套坐标系测量；感受野，是这个探针的物理探测范围。

6. 深度网络的进化动力学：从 R-CNN 到 Faster R-CNN，为什么“端到端”不是口号而是生存法则

6.1 R-CNN 的三重割裂：区域提议、特征提取、分类回归为何必须一体化？

R-CNN（第 35 题）的致命伤是三阶段割裂：

1. 区域提议（Selective Search）：CPU 上运行，耗时 2s/图，与 CNN 无关；
2. 特征提取（CNN）：每个 proposal 独立过 CNN，重复计算 2000 次；
3. 分类回归（SVM + Linear Reg）：独立训练，无法反向传播到 CNN。

这导致：

• 计算黑洞：2000 个 proposal × 224×224 输入 × VGG-16 前向 = 10¹⁰ FLOPs；
• 优化失能：CNN 特征提取器无法根据检测任务调整，SVM 的 margin 与 CNN 的特征分布不匹配；
• 内存雪崩：存储 2000 个 4096-D 特征向量，需 GB 级内存。

Fast R-CNN（第 35 题）的破局点是RoI Pooling：整图过 CNN 一次得 feature map，再将 proposal 映射到 feature map 上，用 RoI Pooling 截取固定尺寸（7×7）特征。这带来三重革命：

• 计算压缩：1 次 CNN + 2000 次 RoI Pooling（O(1)） vs 2000 次 CNN；
• 端到端可训：RoI Pooling 可导，整个网络（CNN + RoI + FC）用 multi-task loss 联合优化；
• 内存瘦身：只存 1 张 feature map（如 14×14×512），而非 2000 个向量。

但 Fast R-CNN 仍依赖外部 Selective Search，区域提议成为性能瓶颈。

6.2 Faster R-CNN 的终极整合：RPN 如何把“提议”变成“网络的呼吸”？

Faster R-CNN（第 36 题）的 RPN（Region Proposal Network）是深度学习范式的胜利：它把“提议”从外部模块，变成 CNN 主干的自然副产物。RPN 的设计哲学是：

• 锚点（Anchor）：在 feature map 每个位置预设k个（如 9 个）不同尺度/长宽比的 bounding box，作为“先验”。这不是手工设计，而是数据驱动的归纳——PASCAL VOC 中物体尺度分布决定了k=9（3 种尺度 × 3 种比例）。
• 双头输出：每个锚点，RPN 同时预测：
  • 对象性（objectness）：二分类 logits（1×H×W），判断是否含物体；
  • 边界框回归（bbox reg）：4 个偏移量t_x,t_y,t_w,t_h（4×H×W），用于修正锚点。
• 端到端联合：RPN 与检测头共享 feature map，loss = RPN cls loss + RPN reg loss + Det cls loss + Det reg loss。

RPN 的物理意义是：CNN 主干在提取语义特征的同时，其浅层特征已蕴含了物体存在的空间线索；RPN 就是把这个线索显式地读出来。它不再“提议”，而是“确认”——确认哪些锚点值得进入下一步检测。这解释了为什么 Faster R-CNN 的 mAP 比 Fast R-CNN 高 3 个点：提议质量提升，源于特征与提议的共生进化。

6.3 NMS 的数学本质：IoU 作为度量，为什么 0.7 是黄金阈值？

NMS（第 37 题）看似简单，实为度量空间中的贪心聚类。给定N个检测框{b_i}及其置信度{s_i}，NMS 流程：

1. 选b_{max}with maxs_i；

本文还有配套的精品资源，点击获取