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，系统梳理课程中高频必考、易混淆、易失分的关键概念与算法原理。内容覆盖图像滤波（相关/卷积/内积定义与区别）、Canny边缘检测全流程与双阈值设计思想、高斯核参数设置与尺度选择原理、Harris角点与SIFT特征提取机制、CNN基础结构（感受野、权值共享、1×1卷积、残差连接）、目标检测演进脉络（R-CNN→Fast→Faster）及评估指标（PR图/AP计算）等35+个核心问题，全部以问答形式展开，兼具理论深度与应试针对性。资源为单个PDF文件，大小9.69MB，排版清晰、公式规范、逻辑连贯，便于打印复习与碎片化查阅。目前已有668人学习下载，是高效梳理知识框架、冲刺期末与夯实CV基础的优质课程配套资料。
1. 卷积不是“滑动相乘”——而是信号空间里的投影操作，它决定了你看到的世界是连续的还是离散的
你有没有试过用 OpenCV 的cv2.filter2D对一张图像做高斯模糊，却在调试时发现：明明 kernel 是 5×5，结果边缘却像被削掉了一圈？或者更玄学的是——把同一个 kernel 换成cv2.GaussianBlur，参数一模一样，输出却略有不同？这不是 bug，也不是精度误差，而是你正在和两个根本不同的数学对象打交道：相关（correlation）和卷积（convolution）。它们表面看都是“模板扫过图像、逐点相乘再求和”，但底层逻辑天差地别：相关是图像局部与模板的内积匹配，而卷积是模板先翻转 180° 再匹配——这个翻转，不是为了炫技，而是为了让滤波操作成为线性时不变系统（LTI）的唯一合法表达。没有它，你就无法定义“系统响应”、无法做频域分析、无法推导傅里叶对偶性，更无法理解为什么 SIFT 要用 DoG 近似 LoG、为什么 CNN 的权值共享天然对应平移不变性。这份《2024年bjtu计算机视觉课程必考知识点汇总》之所以值得深挖，正因为它没停留在“怎么用”，而是从第 1 题就逼你直面那个被多数教程悄悄绕开的黑匣子：滤波的本质，是函数空间中的投影，不是像素格子里的算术游戏。当你真正看清相关与卷积的分界线，Canny 的非极大值抑制、Harris 的结构张量、SIFT 的尺度空间，就不再是零散考点，而是一条由同一套泛函逻辑串起的因果链。
2. 图像滤波的三种定义方式：相关、卷积、内积——它们不是等价替换，而是建模视角的切换
2.1 相关：最直觉的“模板匹配”操作，天然适配人类视觉先验
相关（correlation）的定义最符合工程师的第一直觉：给定图像 $I$ 和模板 $K$（即 kernel），在位置 $(x,y)$ 处的输出为：
$$ (I \star K)(x, y) = \sum_{i=-a}^{a}\sum_{j=-b}^{b} I(x+i, y+j) \cdot K(i, j) $$
注意：这里 $K(i,j)$ 的索引 $(i,j)$ 是相对于模板中心的偏移量，$K$ 本身不翻转。这种定义下，模板就像一个“探针”，直接比对图像局部与自身形状的相似度。手势识别中用矩形模板匹配手掌轮廓、OCR 中用字符模板匹配笔画，都依赖这种“所见即所得”的匹配逻辑。它的物理意义清晰：输出值越大，说明该位置图像内容与模板越相似。但问题也在这里——它不满足交换律：$I \star K \neq K \star I$，这意味着你无法把“图像滤波”抽象成“系统对输入的响应”，也就无法引入冲激响应、传递函数等核心系统理论工具。
2.2 卷积：LTI 系统的数学身份证，翻转是强制约定而非可选项
卷积（convolution）的定义强制要求模板翻转：
$$ (I * K)(x, y) = \sum_{i=-a}^{a}\sum_{j=-b}^{b} I(x-i, y-j) \cdot K(i, j) = (I \star \tilde{K})(x, y) $$
其中 $\tilde{K}(i,j) = K(-i,-j)$ 是 $K$ 关于原点的镜像。这个看似多余的翻转，实则是为满足线性时不变性（LTI）所付出的必要代价。LTI 系统的核心公理是：
- 线性：$T[aI_1 + bI_2] = aT[I_1] + bT[I_2]$
- 时不变（空不变）：若 $T[I(x,y)] = O(x,y)$，则 $T[I(x-x_0,y-y_0)] = O(x-x_0,y-y_0)$
只有卷积运算能同时满足这两条。证明的关键一步，正是利用翻转后索引的平移对称性：当输入平移 $(x_0,y_0)$，输出平移完全同步。而相关做不到——它的响应会因平移方向不同而产生相位偏移。这解释了为什么所有信号处理教材、所有深度学习框架（PyTorch/TF 的Conv2d）都默认实现卷积而非相关：卷积是 LTI 系统的充要表示，而相关只是工程上方便的手动匹配手段。你在 PyTorch 中设置padding='same'时，框架自动补零并按卷积定义计算，其背后是整套傅里叶分析体系在支撑——因为卷积定理 $ \mathcal{F}{I*K} = \mathcal{F}{I} \cdot \mathcal{F}{K} $ 只对卷积成立。
2.3 内积：从矩阵空间降维到标量，揭示滤波的几何本质
内积（inner product）常被简化为“向量化后点积”，但其深层意义在于将滤波操作嵌入希尔伯特空间（Hilbert space）框架。设图像局部块 $I_{\text{patch}} \in \mathbb{R}^{m \times n}$ 和 kernel $K \in \mathbb{R}^{m \times n}$，将其拉直为向量 $\mathbf{i}, \mathbf{k} \in \mathbb{R}^{mn}$，则：
$$ \langle \mathbf{i}, \mathbf{k} \rangle = \mathbf{i}^\top \mathbf{k} = \sum_{p=1}^{mn} i_p k_p $$
这不再是一个位置上的输出，而是两个向量在 $mn$ 维空间中的夹角余弦的缩放版。当 $\mathbf{k}$ 固定（如高斯核），$\langle \mathbf{i}, \mathbf{k} \rangle$ 就是图像块 $\mathbf{i}$ 在 $\mathbf{k}$ 方向上的投影长度。高斯模糊的本质，就是把每个图像块向“平滑方向”投影；拉普拉斯锐化的本质，是向“高频振荡方向”投影。这种视角直接导向现代 CV 的核心思想：特征提取 = 在预定义基（filter bank）上做坐标变换。Harris 角点检测中的结构张量 $M = \sum \nabla I \nabla I^\top$，本质就是梯度向量在局部窗口内的协方差矩阵，其特征向量即为图像变化最剧烈的方向——这正是内积空间中主成分分析（PCA）的几何复现。
提示：OpenCV 的
cv2.filter2D默认执行相关（correlation），而 PyTorch 的nn.Conv2d执行卷积（convolution）。若要在 PyTorch 中复现filter2D行为，需手动翻转 kernel：K_flipped = torch.flip(K, [0,1])，再传入 Conv2d。这是跨框架调试时最易踩坑的根源。
2.4 三者关系图：不是并列选项，而是建模层级的跃迁
| 维度 | 相关（Correlation） | 卷积（Convolution） | 内积（Inner Product） |
|---|---|---|---|
| 数学对象 | 双变量函数匹配 | LTI 系统冲激响应 | 希尔伯特空间投影 |
| 可交换性 | $I \star K \neq K \star I$ | $I * K = K * I$（仅当 $K$ 对称） | $\langle \mathbf{i}, \mathbf{k} \rangle = \langle \mathbf{k}, \mathbf{i} \rangle$ |
| 频域性质 | 无简洁对偶 | $\mathcal{F}{I*K} = \mathcal{F}{I} \cdot \mathcal{F}{K}$ | $\langle \mathbf{i}, \mathbf{k} \rangle = |\mathbf{i}| |\mathbf{k}| \cos\theta$ |
| CV 应用 | 模板匹配、SSIM 计算 | CNN 权值共享、多尺度分析 | 特征相似性度量、SVM 核函数 |
这个表格不是知识罗列，而是设计决策树：当你需要快速比对手势模板，选相关；当你构建端到端可微分网络，必须用卷积；当你分析特征空间几何结构（如 SIFT 描述子归一化），内积才是第一性原理。
3. 滤波器组与尺度空间：为什么高斯核的 size 增大一倍，效果却“差不多”？
3.1 高斯核的 3σ 原则：不是经验公式，而是概率积分的截断误差控制
高斯核 $G_\sigma(x,y) = \frac{1}{2\pi\sigma^2} e^{-\frac{x^2+y^2}{2\sigma^2}}$ 的数学本质是二维正态分布的概率密度函数（PDF）。其关键性质在于累积分布函数（CDF）的截断特性：
- 在 $r \leq \sigma$ 范围内，积分占比约 39.3%
- 在 $r \leq 2\sigma$ 范围内，占比约 86.5%
- 在 $r \leq 3\sigma$ 范围内，占比达98.9%
- 在 $r \leq 4\sigma$ 范围内，占比 99.994%
因此，当 kernel size 设为 $6\sigma$（即 $[-3\sigma, 3\sigma]$），已覆盖 PDF 99.7% 以上的能量。此时若将 size 增大至 $12\sigma$，新增区域 $[3\sigma,6\sigma]$ 的积分值仅为 $0.3%$，且因指数衰减，这些像素权重极小（$e^{-4.5} \approx 0.011$）。这就是题干中“kernel size 不同但 σ 相同，结果类似”的根本原因：滤波输出是图像与高斯核的加权平均，而权重集中在 $3\sigma$ 内，外部区域贡献可忽略。代码验证如下：
import numpy as np import matplotlib.pyplot as plt def gaussian_kernel(sigma, size=None): if size is None: size = int(6 * sigma + 1) # 6σ rule y, x = np.ogrid[-size//2:size//2+1, -size//2:size//2+1] kernel = np.exp(-(x**2 + y**2) / (2 * sigma**2)) return kernel / kernel.sum() # 生成 σ=1 和 σ=2 的 kernel，但都用 6σ 规则设定 size k1 = gaussian_kernel(1.0, size=7) # 6*1+1 = 7 k2 = gaussian_kernel(2.0, size=13) # 6*2+1 = 13 # 计算有效权重占比：取 kernel 中 >1e-6 的元素之和 eff_ratio_k1 = k1[k1 > 1e-6].sum() eff_ratio_k2 = k2[k2 > 1e-6].sum() print(f"σ=1, 7x7 kernel 有效权重占比: {eff_ratio_k1:.4f}") # ≈0.997 print(f"σ=2, 13x13 kernel 有效权重占比: {eff_ratio_k2:.4f}") # ≈0.997输出显示两者有效权重占比几乎相同，证实了“增大 size 并未增加有效信息”。
3.2 高斯偏导核：去噪与边缘提取的耦合，为何不能分开做？
高斯偏导核（Gaussian Derivative Kernel）形式为 $G_\sigma^x = \frac{\partial G_\sigma}{\partial x}$，其设计动机直指经典方法的缺陷：先高斯平滑再求导，会因两次离散卷积引入相位偏移和数值不稳定。数学上，根据卷积导数定理：
$$ \frac{\partial}{\partial x}(I * G_\sigma) = I * \frac{\partial G_\sigma}{\partial x} $$
这意味着“先平滑后求导”与“先构造偏导核再卷积”在连续域完全等价。但在离散实现中，分离操作需两次插值/边界处理，误差累积；而单次卷积只需一次边界填充和一次浮点运算。更重要的是，$G_\sigma^x$ 本身具有带通滤波器（band-pass）特性：其傅里叶变换为 $j\omega_x \cdot e^{-\sigma^2(\omega_x^2+\omega_y^2)/2}$，在低频（$\omega \to 0$）和高频（$\omega \to \infty$）均衰减，峰值位于 $\omega \sim 1/\sigma$。这恰好匹配“边缘”信号的频谱——既抑制噪声（低频直流+高频噪声），又保留结构（中频突变）。Canny 算法强制使用高斯偏导，正是利用这一物理约束，避免了 Sobel 等纯梯度算子对噪声的过度敏感。
3.3 滤波器组（Filter Bank）：不是一堆 kernel 的集合，而是信号空间的坐标系
滤波器组并非随意堆砌，而是按频域覆盖和方向选择性精心设计的基函数族。以经典的 Gabor 滤波器组为例，其核为：
$$ g_{u,v}(x,y) = \exp\left(-\frac{x'^2 + \gamma^2 y'^2}{2\sigma^2}\right) \cdot \cos\left(2\pi \frac{x'}{\lambda} + \phi\right) $$
其中 $x',y'$ 是旋转后的坐标，$\lambda$ 控制波长（尺度），$\phi$ 控制相位，$\gamma$ 控制纵横比。一个完备的滤波器组需满足：
- 尺度覆盖：$\lambda$ 取 $2^{0}, 2^{1/2}, 2^{1}, ...$ 实现 octave sampling
- 方向覆盖：$\theta$ 取 $0^\circ, 45^\circ, 90^\circ, 135^\circ$ 等，捕获各向异性纹理
- 能量守恒：所有滤波器频响在频域叠加接近常数（tight frame condition）
这种设计使滤波器组成为图像的“多尺度-多方向傅里叶基”。Harris 角点检测中的 $M$ 矩阵，本质就是用 $G_\sigma^x$ 和 $G_\sigma^y$ 构造的滤波器组对梯度进行响应：$M = \sum (IG_\sigma^x)^2 \quad \sum (IG_\sigma^x)(IG_\sigma^y) \quad \sum (IG_\sigma^y)^2$。其特征值 $\lambda_1,\lambda_2$ 直接反映图像在 $x,y$ 方向的“能量强度”，从而判定角点（双方向强）、边缘（单方向强）或平面（双向弱）。
4. Canny 与 Harris：边缘与角点检测的统一框架——结构张量如何编码局部几何
4.1 Canny 的“细边缘”：非极大值抑制是梯度流形上的测地线追踪
Canny 获取细边缘的核心是非极大值抑制（Non-Maximum Suppression, NMS），但其本质远超“比较邻域最大值”。在连续域，图像梯度 $\nabla I = (I_x, I_y)$ 定义了一个向量场，其积分曲线（integral curve）即为等亮度线（isophote）的法线方向。NMS 正是在离散网格上近似追踪这条法线：对每个像素，沿其梯度方向 $\theta = \arctan(I_y/I_x)$ 投影，检查该方向上两个相邻像素的梯度幅值 $|\nabla I|$。若当前像素非局部极大，则其响应被置零。这等价于在梯度幅值曲面 $|\nabla I|(x,y)$ 上，只保留脊线（ridge）上的点——而脊线正是曲面的局部最大值轨迹。代码实现中常用 4 方向量化（0°,45°,90°,135°）或双线性插值，前者牺牲精度换速度，后者逼近连续解：
def non_max_suppression(grad_mag, grad_angle): # grad_angle: 弧度制，范围 [-π, π] M, N = grad_mag.shape res = np.zeros((M,N), dtype=np.float32) # 量化角度到 4 个方向 angle_quant = np.zeros_like(grad_angle) angle_quant[(grad_angle >= -np.pi/8) & (grad_angle < np.pi/8)] = 0 # 0° angle_quant[(grad_angle >= np.pi/8) & (grad_angle < 3*np.pi/8)] = 1 # 45° angle_quant[(grad_angle >= 3*np.pi/8) & (grad_angle < 5*np.pi/8)] = 2 # 90° angle_quant[(grad_angle >= 5*np.pi/8) | (grad_angle < -5*np.pi/8)] = 3 # 135° for i in range(1, M-1): for j in range(1, N-1): try: # 根据量化角度，取梯度方向上的两个邻居 if angle_quant[i,j] == 0: # 水平方向 neighbors = [grad_mag[i, j-1], grad_mag[i, j+1]] elif angle_quant[i,j] == 1: # 45°方向 neighbors = [grad_mag[i-1, j-1], grad_mag[i+1, j+1]] elif angle_quant[i,j] == 2: # 垂直方向 neighbors = [grad_mag[i-1, j], grad_mag[i+1, j]] else: # 135°方向 neighbors = [grad_mag[i-1, j+1], grad_mag[i+1, j-1]] if grad_mag[i,j] >= max(neighbors): res[i,j] = grad_mag[i,j] except: pass return res此代码揭示了 NMS 的脆弱性：角度量化引入方向偏差，导致本应保留的边缘点被误删。这也是为什么现代边缘检测（如 HED）转向学习型方法——直接回归梯度方向场，规避离散化误差。
4.2 Harris 角点：结构张量是局部图像的“惯性张量”，特征值即物理尺度
Harris 算子的数学核心是结构张量 $M$：
$$ M = \sum_{(x,y)\in W} \begin{bmatrix} I_x^2 & I_x I_y \ I_x I_y & I_y^2 \end{bmatrix} = \sum \nabla I \nabla I^\top $$
其中 $W$ 是以像素为中心的窗口。$M$ 的物理意义类比刚体力学中的惯性张量：
- 若图像在所有方向灰度变化微弱（如平坦区域），则 $I_x,I_y \approx 0$，$M \approx 0$，特征值 $\lambda_1 \approx \lambda_2 \approx 0$
- 若图像仅在一个方向变化剧烈（如边缘），则 $M$ 的秩为 1，$\lambda_1 \gg \lambda_2 \approx 0$
- 若图像在两个正交方向均剧烈变化（如角点），则 $M$ 满秩，$\lambda_1,\lambda_2$ 均大
Harris 响应函数 $R = \det(M) - k \cdot \operatorname{trace}(M)^2$ 正是对此的数值近似：$\det(M)=\lambda_1\lambda_2$ 衡量“角点强度”，$\operatorname{trace}(M)=\lambda_1+\lambda_2$ 衡量“边缘强度”，$k$（通常 0.04~0.06）是平衡系数。这种设计避免了显式特征分解（计算昂贵），却保留了物理本质。值得注意的是，$M$ 的迹和行列式可写为：
$$ \operatorname{trace}(M) = \sum (I_x^2 + I_y^2), \quad \det(M) = \sum I_x^2 \sum I_y^2 - (\sum I_x I_y)^2 $$
这表明 Harris 完全由一阶导数的局部统计量决定，无需二阶导数——这是它比 Moravec 等早期算子鲁棒的根本原因。
4.3 自动尺度选择：LoG 零交叉与高斯差分（DoG）的等价性证明
自动尺度选择要求找到最优 $\sigma$，使特征响应最大化。LoG（Laplacian of Gaussian）核为：
$$ \nabla^2 G_\sigma = \frac{\partial^2 G_\sigma}{\partial x^2} + \frac{\partial^2 G_\sigma}{\partial y^2} = \frac{x^2+y^2-2\sigma^2}{\sigma^4} G_\sigma $$
其零交叉点（zero-crossing）对应图像中“斑点”（blob）的中心。但 LoG 计算涉及二阶导，数值不稳定。Marr-Hildreth 理论证明：高斯差分（Difference of Gaussians, DoG）是 LoG 的优秀近似。设 $D(x,y,k\sigma) = G_{k\sigma} - G_{\sigma}$，对其泰勒展开：
$$ D \approx (k\sigma)^2 \nabla^2 G_\sigma + \mathcal{O}((k-1)^2) $$
当 $k \approx 1.6$ 时，DoG 与 LoG 的频响重合度达 99%。SIFT 的“双塔”结构（高斯金字塔 + DoG 金字塔）正是基于此：每组（octave）内相邻层相减得 DoG，其极值点即为尺度不变关键点。这不仅是工程妥协，而是有严格数学保证的最优近似。
5. SIFT 与 CNN：从手工特征到学习特征的范式迁移——权值共享如何重塑感受野
5.1 SIFT 的“双塔”结构：尺度空间是计算资源与特征稳定性的帕累托前沿
SIFT 的高斯金字塔（Gaussian Pyramid）与高斯差分金字塔（DoG Pyramid）构成“双塔”，其设计直面两个矛盾：
- 计算效率 vs 尺度覆盖：若对原图用大 $\sigma$ 卷积，需 $O(N^2 \sigma^2)$ 时间；而缩小图像后用小 $\sigma$，时间降为 $O((N/2)^2 \cdot \sigma^2)$
- 特征稳定性 vs 尺度分辨率：单尺度检测易受噪声干扰；多尺度检测需平衡尺度步长——太密则冗余，太疏则漏检
“双塔”的精妙在于将二者解耦：
- 塔1（高斯金字塔）：每组内 $\sigma$ 按 $k^i$ 增长（$k=2^{1/3}$），共 3 层；组间图像下采样 2 倍，$\sigma$ 重置为最小值
- 塔2（DoG 金字塔）：每组内相邻高斯层相减，得到 2 层 DoG；极值检测在 DoG 层内及层间进行
这种设计使 SIFT 在 $O(N)$ 时间内完成多尺度分析，且极值点满足尺度归一化：同一物理点在不同尺度下的响应幅值相近。代码中可验证 DoG 极值检测的尺度不变性：
import cv2 import numpy as np def sift_dog_extrema(img, sigma=1.6, intervals=3, k=2**(1/3)): # 构建高斯金字塔 pyr = [img.astype(np.float32)] for i in range(1, intervals+3): sigma_i = sigma * (k**i) blurred = cv2.GaussianBlur(img, (0,0), sigmaX=sigma_i) pyr.append(blurred) # 构建 DoG 金字塔 dog_pyr = [] for i in range(len(pyr)-1): dog = pyr[i+1] - pyr[i] dog_pyr.append(dog) # 检测极值（简化版：仅检查 3x3x3 邻域） extrema = [] for layer in range(1, len(dog_pyr)-1): # 中间层 for i in range(1, dog_pyr[layer].shape[0]-1): for j in range(1, dog_pyr[layer].shape[1]-1): center = dog_pyr[layer][i,j] # 检查当前层 3x3 邻域 local_max = np.all(center >= dog_pyr[layer][i-1:i+2, j-1:j+2]) # 检查上下层对应位置 upper_max = np.all(center >= dog_pyr[layer-1][i-1:i+2, j-1:j+2]) lower_max = np.all(center >= dog_pyr[layer+1][i-1:i+2, j-1:j+2]) if local_max and upper_max and lower_max: extrema.append((i,j,layer)) return extrema # 对同一图像缩放后检测，extrema 数量应相近 img = cv2.imread('test.jpg', 0) ext1 = sift_dog_extrema(img) ext2 = sift_dog_extrema(cv2.resize(img, (0,0), fx=0.5, fy=0.5)) print(f"原图极值点: {len(ext1)}, 缩放图极值点: {len(ext2)}") # 应接近5.2 CNN 的感受野：不是固定尺寸，而是反向传播路径的拓扑长度
CNN 的感受野（Receptive Field）常被简化为公式：$RF = (RF_{prev} - 1) \times stride + kernel_size$。但这只是前向传播的静态视图。真正的感受野由反向传播中梯度可到达的输入像素范围定义。例如，在 VGG-16 中，最后一个卷积层的理论 RF 为 224，但实际有效 RF 仅约 180，因边界像素梯度衰减。更关键的是，权值共享使感受野具备平移不变性：同一 kernel 在不同位置检测相同模式，这源于卷积的数学定义 $ (I * K)(x,y) = \sum I(x-i,y-j) K(i,j) $ 中，$K$ 不随 $(x,y)$ 变化。这与 SIFT 的 DoG 检测形成对比：SIFT 的 kernel 随尺度变化（$G_{k\sigma}$），而 CNN 的 kernel 是学习得到的、固定的基函数。AlexNet 首次用 ReLU 替代 tanh，正是因 ReLU 的非线性使梯度在正区恒为 1，缓解了深层网络中感受野边缘梯度消失问题。
5.3 从 SIFT 到 CNN：特征描述子的进化——从手工直方图到端到端嵌入
SIFT 描述子生成过程（题干第13题）本质是手工设计的局部特征嵌入：
- 以关键点为中心，1.5σ 半径圆确定区域 →尺度自适应裁剪
- 分割为 4×4 子块，每块计算 8 方向梯度直方图 →空间-方向联合编码
- 拼接 128 维向量并归一化 →L2 归一化增强光照鲁棒性
而 CNN 的特征图（feature map）是端到端学习的嵌入空间：最后一层卷积输出的每个通道，可视为一个 learned filter 的响应，其空间布局保留了位置信息，通道维度编码了语义。ResNet 的残差连接进一步保证：即使网络极深，浅层特征仍能无损传递，使“描述子”兼具局部细节（浅层）与全局语义（深层）。这解释了为何 CNN 在 ImageNet 上碾压 SIFT+BoW：手工特征的设计受限于人类先验，而学习特征能发现数据驱动的最优表示。
6. 避坑指南：计算机视觉中那些让开发者深夜抓狂的“常识性”错误
6.1 现象：用cv2.filter2D复现cv2.GaussianBlur结果不一致
原因：cv2.filter2D执行相关（correlation），而cv2.GaussianBlur内部使用卷积（convolution）并自动翻转 kernel。高斯核虽对称，但filter2D的边界处理（如cv2.BORDER_REFLECT）与GaussianBlur的cv2.BORDER_DEFAULT不同，导致边缘差异放大。
解决：若需精确复现，改用cv2.GaussianBlur；若必须用filter2D，手动翻转 kernel 并统一边界模式：
kernel = cv2.getGaussianKernel(5, 1.0) kernel_2d = kernel @ kernel.T # 5x5 高斯核 kernel_flipped = cv2.flip(kernel_2d, -1) # 翻转 blurred = cv2.filter2D(img, -1, kernel_flipped, borderType=cv2.BORDER_REFLECT)6.2 现象：Harris 角点检测在纹理丰富区域漏检大量角点
原因：Harris 响应 $R$ 对窗口大小 $W$ 敏感。若 $W$ 过小（如 3×3），噪声主导响应；若 $W$ 过大（如 15×15），角点被平滑掉。更隐蔽的问题是：cv2.cornerHarris默认ksize=3（Sobel 算子大小），但未对梯度图做高斯平滑，导致噪声放大。
解决：预处理图像，先用cv2.GaussianBlur模糊（σ≈1.5），再调用cornerHarris，并手动调整blockSize（窗口大小）：
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) gray = cv2.GaussianBlur(gray, (5,5), 1.5) # 先平滑 dst = cv2.cornerHarris(gray, blockSize=7, ksize=3, k=0.04) # 增大 blockSize6.3 现象：SIFT 关键点方向分配中，主方向直方图出现多个峰值，难以抉择
原因：题干第12题提到“投票细节”，但未强调：SIFT 要求主方向必须是直方图中最高峰且高于 80% 次高峰的值。若存在多个接近的峰值，说明该关键点位于模糊边缘或低对比度区域，本就不应被选为稳定特征点。
解决：在方向分配后，添加阈值过滤：
hist = compute_orientation_hist(keypoint, radius=1.5*sigma) peaks = find_peaks(hist, height=np.max(hist)*0.8) if len(peaks) == 1: main_orient = peaks[0] else: # 丢弃该关键点，或取所有峰值方向生成多个描述子 continue6.4 现象：CNN 训练时 loss 下降但 mAP 不升反降
原因：交叉熵 loss 优化的是分类置信度，而 mAP 依赖于 bounding box 的 IoU。常见陷阱是：
- 使用
nn.CrossEntropyLoss但未对回归分支（bbox coordinates）加权，导致分类主导训练 - 数据增广（augmentation）中，
RandomHorizontalFlip未同步翻转 bbox 坐标，造成标签错位
解决：采用多任务 loss，明确区分分类与回归权重：
cls_loss = F.cross_entropy(cls_pred, cls_target) reg_loss = F.smooth_l1_loss(reg_pred, reg_target, reduction='none').mean() total_loss = cls_loss + 1.0 * reg_loss # 回归损失权重设为 1.0并确保增广库（如 Albumentations）开启bbox_params同步处理。
6.5 现象：Faster R-CNN 的 RPN 输出 anchor 得分极高，但最终检测框质量差
原因：RPN 的 anchor 分类（object/background）与 bbox 回归是解耦的。高得分仅表示 anchor 包含物体，但回归参数可能不准。题干第36题指出 anchor 尺度/长宽比固定，若目标尺度偏离预设（如 tiny objects），RPN 无法回归出精确框。
解决：
- 修改 RPN 的 anchor scales（如
[32, 64, 128, 256, 512]）和 ratios（如[0.5, 1, 2]）以覆盖目标尺度 - 在训练时启用
rpn_head的loss_rpn_bbox监督，而非仅依赖loss_rpn_cls - 使用 FPN（Feature Pyramid Network）替代单层特征图，为不同尺度目标提供
本文还有配套的精品资源，点击获取
