第 25 章介绍计算机视觉的核心方法，从传统图像处理到深度学习视觉系统。重点包括：

图像处理基础

• 卷积操作：平均核、Sobel 边缘检测（Gₓ、Gᵧ 梯度幅值和方向）
• 特征检测：Harris 角点检测（自相关矩阵 M 的特征值分析）
• 卷积层参数计算、输出特征图尺寸、感受野

卷积神经网络（CNN）

• 卷积层、池化层、全连接层的堆叠
• ReLU 激活函数优于 Sigmoid 的原因
• 批归一化（Batch Normalization）：加速训练、缓解内部协变量偏移
• 迁移学习与数据增强应对标注数据不足

目标检测

• 两阶段检测器（Faster R-CNN）：区域提议 + 分类
• 单阶段检测器（YOLO）：网格预测边界框和类别概率
• 非极大值抑制（NMS）：去除重叠检测框
• 特征金字塔（FPN）：处理多尺度目标

分割任务

• 语义分割：像素级分类（所有同类物体同一标签）
• 实例分割（Mask R-CNN）：区分同类不同实例
• 评价指标：IoU（交并比）、mAP（mean Average Precision）

实践应用

• 图像分类（ImageNet）、行人检测（自动驾驶）
• 尺度不变性、恶劣天气下的领域自适应
• 离线测试集与真实道路部署的性能评估