### CNN 基础知识点 **卷积神经网络（CNN）核心组件**：卷积层、激活函数、池化层、全连接层。 **卷积运算**： ``` 输出尺寸 = floor((输入 - 卷积核 + 2·padding) / stride) + 1 ``` - **same 卷积**：padding = (F-1)/2，输出尺寸不变 - **valid 卷积**：padding = 0，输出缩小 **卷积核（过滤器）**：通过权重学习检测特定特征。 - 浅层：边缘、角点、颜色（Gabor 滤波器、Sobel） - 深层：纹理、部件、语义概念（"猫耳检测器"） - 经典手工滤波器：Sobel（边缘）、Laplacian（二阶）、Gaussian（模糊） **参数共享 & 局部连接**：CNN 两大归纳偏置，使参数量远少于全连接，且具平移等变性。 **池化层（Pooling）**： - **无参数**（无可学习权重） - **但仍参与反向传播**：Max Pooling 把梯度路由到最大值位置；Avg Pooling 均匀分发 - 输出尺寸：`floor((n-f)/s)+1`，**通道数不变** - 作用：降维、增大感受野、提供轻微平移不变性 **特征层次性**（重要直觉）： ``` 像素 → 边缘 → 纹理 → 部件 → 物体 → 场景 浅层 中层 深层 ``` 深层更有可能找到"猫""车"这类**概念节点**。 **滑动窗口 vs 全卷积**： - 滑动窗口（如经典目标检测）：在图像上滑窗分类，步长大→省时但漏检 - 全卷积（FCN/YOLO）：一次前向得到所有位置预测，高效

### 过滤器检测什么？ **[单选]** 灰度图上，过滤器 `[[0,1,-1,0],[1,3,-3,-1],[1,3,-3,-1],[0,1,-1,0]]` 检测什么？ A. 水平边缘　B. **垂直边缘** ✓　C. 角点　D. 模糊 **答案：B** **解析**： - 过滤器**左列为正**（0,1,1,0 总和 2；1,3,3,1 总和 8），**右列为负**（-1,-3,-3,-1） - 左正右负 → 计算水平方向梯度 → 检测**垂直边缘**（垂直方向的明暗交界） - 类似 Sobel 算子（左正右负检测垂直边缘） **通用规律**：正负分布在哪一方向，就检测垂直于该方向的边缘。

### 池化输出尺寸？ **[单选]** 输入 32×32×16，Max Pooling stride=2，filter=2，输出？ A. 32×32×16　B. 16×16×8　C. **16×16×16** ✓　D. 8×8×16 **答案：C** **解析**： ``` 空间尺寸 = (32 - 2)/2 + 1 = 16 通道数 = 16（池化不改变通道数） 输出 = 16×16×16 ``` **关键**：池化只在空间维度（H,W）下采样，**通道数 C 保持不变**。

### 目标检测训练需标注框？ **[判断]** 目标检测训练时不需要标注边界框，因为算法会自己学会检测。 **答案：错 ✗** **解析**： - 目标检测是**监督学习**任务 - 训练数据必须包含**边界框标注**（位置 + 类别） - 算法通过最小化预测框与真实框的误差来学习定位 - 无标注无法训练（不像无监督聚类） **监督学习三要素**：数据（含标注）+ 模型 + 损失函数。

### 深层更有"猫"概念节点？ **[判断]** 100 类 CNN 中，对"猫"敏感的隐藏节点更可能在第 4 层而非第 1 层找到。 **答案：对 ✓** **解析**： - CNN 特征层次性：浅层（第 1 层）学边缘/颜色等**低级特征** - 深层（第 4 层）组合低级特征 → 学到纹理/部件/**物体概念**（如"猫耳""猫脸"） - 越深的层 → 抽象程度越高 → 越接近"猫"这种语义概念 **可视化证据**：CNN 可视化（如 Grad-CAM、特征图）证实深层节点对特定物体类别响应强。

### 池化层无参数就不影响反向传播？ **[判断]** 池化层没有参数，所以不影响反向传播。 **答案：错 ✗** **解析**： - 池化层**无 learnable 参数**（无权重），这点正确 - 但**仍参与反向传播**（梯度路由）： - Max Pooling：梯度只传到前向时取最大值的位置（其他位置梯度为 0） - Average Pooling：梯度均匀分到所有位置 - 池化层是网络计算图的一部分，梯度必须经过它才能到达前面的卷积层 **关键区分**："无参数" ≠ "不影响梯度传播"。

### 滑动窗口步长增大既提精度又降成本？ **[判断]** 增大滑动窗口分类器的步长，既能提高精度又能降低成本。 **答案：错 ✗** **解析**： - **降低成本**：✓ 步长大 → 窗口数少 → 计算量小 - **提高精度**：✗ 步长大 → 可能**跳过目标** → 漏检 → 精度**下降** - 这是经典的**精度-效率权衡**，二者不可兼得 **正确说法**：步长增大只降成本，但牺牲精度。

### 改变空间分辨率，哪类区域受影响最大？ **[单选]** 改变图像空间分辨率时，受影响最大的是？ A. **纹理区域（重复单元）** ✓　B. 灰度平滑区　C. 目标边界　D. 灰度渐变区 **答案：A** **解析**： - 纹理由**高频信息**（快速变化的像素）组成 - 降低空间分辨率 ≈ 低通滤波 → **滤除高频** → 纹理丢失最严重 - 平滑区域（低频）几乎不受影响；边界/渐变受中等影响 **奈奎斯特定理**：采样频率须 ≥ 2 倍最高频率；纹理高频成分在采样不足时无法重建，产生混叠（aliasing）。 **应用**：JPEG 压缩时纹理最先模糊；医学/遥感图像的纹理分析须保证足够分辨率。

### 图像基础知识点 **数字图像 = 像素矩阵**。每个像素的取值范围由**位深度（bit depth）**决定。 **位深度与灰度级数关系**： ``` 灰度级数 = 2^(位深度) 每像素比特数 = log2(灰度级数) ``` | 位深度 | 灰度级数 | 含义 | |--------|---------|------| | 1 bit | 2 | 黑白二值图 | | 4 bit | 16 | 早期灰度显示 | | 8 bit | 256 | 标准灰度图（0~255） | | 24 bit | 2²⁴ | 真彩色（RGB 各 8 bit） | **图像存储容量公式**： ``` 存储容量 = 宽 × 高 × 每像素比特数 ``` **单位换算**： - 1 Byte = 8 bits - 1 KB = 1024 Bytes - 1 MB = 1024 KB - 1 Kbit = 1024 bits **空间分辨率 vs 灰度分辨率**： - 空间分辨率：单位距离的像素数（采样密度），影响细节 - 灰度分辨率：可表示的灰度级数（量化精度），影响色调平滑度 **两类变化的敏感区域**： - 改变**空间分辨率**：纹理区域受影响最大（高频丢失） - 改变**灰度分辨率**：平滑渐变区域受影响最大（出现 banding 伪影）

### 256×256 图像，16 灰度级，存储比特数？ **[单选]** 256×256 图像，灰度级数 16，存储所需比特数？ A. **256k** ✓　B. 512k　C. 1M　D. 2M **答案：A** **解析**： ``` 每像素比特数 = log2(16) = 4 bit 总像素 = 256 × 256 = 65536 总比特 = 65536 × 4 = 262144 bits 转换为 Kbit = 262144 / 1024 = 256 Kbit ``` **通用公式**：`存储比特 = 宽 × 高 × log2(灰度级数)` **易错点**：注意单位是 bit 还是 Byte（差 8 倍）；k 通常指 1024 而非 1000。

### 目标检测知识点 **目标检测 = 分类 + 定位**：不仅要识别物体类别，还要用边界框标出位置。 **主流方法演进**： | 方法 | 思路 | 代表 | |------|------|------| | 两阶段 | 先生成候选区，再分类 | R-CNN, Faster R-CNN | | 单阶段 | 一次前向直接预测 | **YOLO**, SSD, RetinaNet | | 基于锚框 | 预设锚框回归 | 大多数检测器 | **YOLO（You Only Look Once）**： - 把图像分成 S×S 网格 - 每个网格预测 B 个边界框（anchor box），每个框含 5 个值（x,y,w,h,confidence）+ C 个类别概率 - 输出张量：`S × S × (B × (5 + C))` - 只有**目标中心点所在 cell** 负责检测该目标 - 优势：极快（一次前向），端到端 **Inception（GoogLeNet）**： - 核心思想：**并行多尺度卷积**（1×1, 3×3, 5×5, 池化），让网络自己学权重 - **1×1 卷积**用于**降维**（瓶颈层 Bottleneck），大幅减少计算量 - "更宽"而非"更深"，参数少（GoogLeNet 22 层但参数比 VGG 少） - **不是随机选择结构**（区别于 Dropout），是固定并行结构 **迁移学习应用**：分类网络（softmax 输出）→ 微调最后几层 + 改输出层为回归（定位任务）。

### YOLO 输出维度？ **[单选]** 19×19 网格，20 类，5 个 anchor box，输出张量维度？ A. 19×19×(5×20)　B. 19×19×(5×20+5)　C. **19×19×(5×25)** ✓　D. 19×19×200 **答案：C** **解析**： ``` 每个 anchor box 输出 = 5（x,y,w,h,confidence）+ C（类别概率） = 5 + 20 = 25 每个 cell 有 B=5 个 anchor box → 5×25 = 125 全部输出 = 19 × 19 × (5 × 25) ``` **公式**：`S × S × (B × (5 + C))`

### YOLO 中心点 cell 负责？ **[判断]** YOLO 中，只有包含目标中心点的 cell 负责检测该目标。 **答案：对 ✓** **解析**： - YOLO 把图像分成 S×S 网格 - 每个目标只由其**中心点所在 cell** 负责检测（即使目标跨越多个 cell） - 这样保证每个目标只有一个 cell 输出，避免重复检测 - 配合 anchor box 处理同一 cell 内多个目标的情况

### Inception 网络哪些说法正确？ **[多选]** 关于 Inception 网络，哪些正确？ A. 类似随机删除节点，有正则化效应 B. **用 1×1 卷积降维，再用 3×3 和 5×5 卷积** ✓ C. **一个 Inception 块组合 1×1、3×3、5×5 卷积和池化层** ✓ D. **叠加 Inception 块加深网络不会损害训练集表现** ✓ **答案：B、C、D** **解析**： - A 错：Inception 是**固定并行结构**，不是随机选择；正则化效应属于 **Dropout**，与 Inception 无关 - B 对：1×1 卷积做**瓶颈降维**（Bottleneck），减少 3×3/5×5 的输入通道数，大幅省算 - C 对：多尺度并行是 Inception 块的核心特征 - D 对：加深网络至少不损害训练集表现（表达能力更强），且 Inception 通过 1×1 控计算量使加深可行 **1×1 卷积的本质**：纯通道维度变换（每个像素位置等价全连接），不增加感受野。

### 10 类车分类网迁移到单车型定位？ **[单选]** 已训练的 10 类车辆分类 DNN，要改造为识别单款车（如福特野马）并定位，最佳方法？ A. 从头重新训练定位网络 B. **微调最后几层，把最终分类层改为回归层** ✓ C. 仅用新数据再训练分类层 D. 冻结全部层加新分类头 **答案：B** **解析**： - 迁移学习：前面层学到的通用视觉特征（边缘/部件）可复用 - **分类（softmax）→ 定位（回归边界框坐标）**：把输出层从分类改为回归 - 微调最后几层让网络适应新任务（单车型 + 定位） - 比从头训练快得多，数据需求也小 **核心**：分类→回归的迁移，靠改输出层 + 微调末端。

### 识别与特征知识点 **人脸识别（Face Recognition）**：识别图像中是谁。子任务： - **人脸验证（Verification）**：判断两张脸是否同一人（1:1） - **人脸辨识（Identification）**：在数据库中找最匹配的人（1:N） **One-shot 学习挑战**：每个身份可能只有 1 张照片，传统 softmax 分类不可行。 **解法**：学习**相似度/距离函数** d(img1, img2)，比较编码距离是否小于阈值。Siamese 网络（孪生网络）是典型实现。 **人脸识别数据需求**：每人需**多张**不同角度/光照/表情的照片，以学习类内变化（intra-class variation）。每人 1 张无法训练（无法学到"同一人不同样子"的判别）。 **相机参数**： - **内参（Intrinsic）**：焦距、光心、畸变系数——相机自身属性 - **外参（Extrinsic）**：旋转、平移——相机在世界坐标系的位置 - **基础矩阵（Fundamental Matrix）/ 本质矩阵（Essential Matrix）**：描述双目立体几何关系，属于**外参/几何**范畴，不是内参 **SIFT（尺度不变特征变换）**：经典手工局部特征。 - **不变性**：尺度、旋转、**光照**（线性光照变化）、小角度视角变化 - **不具**：完全的仿射/大角度透视不变性 - 应用：图像匹配、拼接、三维重建（深度学习前的主流方法） **特征类型对比**： | 特征 | 类型 | 不变性 | |------|------|--------| | SIFT | 手工局部 | 尺度/旋转/光照 | | SURF | 手工（SIFT 加速版） | 同 SIFT | | HOG | 手工梯度 | 光照（梯度方向） | | CNN 特征 | 学习 | 学习得到，通常更鲁棒 |

### 10万人每人1张训练人脸合理？ **[判断]** 用 10 万人的照片训练人脸识别（每人 1 张）是合理的。 **答案：错 ✗** **解析**： - 人脸识别需学习**类内变化**（同一人不同角度/光照/表情） - 每人 1 张 → 模型只见过该身份的 1 种样子 → 无法泛化到该人的其他样子 - 应每人收集多张（不同条件）照片 **合理数据**：每人至少数十张不同条件照片，或用数据增强/合成扩充类内变化。

### 相似度函数在人脸验证的作用？ **[多选]** 关于人脸验证中的相似度/距离函数，哪些正确？ A. **解决 one-shot 学习问题** ✓ B. **使用迁移学习（编码器可复用）** ✓ C. 必须为每个新人重新训练网络 D. **能用一张照片识别一个人** ✓ **答案：A、B、D** **解析**： - A：one-shot 下 softmax 不可行，相似度函数通过比较编码解决 - B：编码网络（Siamese）在大型人脸数据上预训练，可迁移到新身份 - C 错：新人只需一张照片算编码，与数据库比对，**无需重新训练** - D：这正是 one-shot 学习的能力 **机制**：`d(x₁,x₂) = ||f(x₁) - f(x₂)||`，小于阈值判为同一人。

### 哪个不是双目相机内参？ **[单选]** 以下哪个**不是**双目相机的内参？ A. 焦距　B. **基础矩阵（Fundamental Matrix）** ✓　C. 畸变系数　D. 光心 **答案：B** **解析**： - **内参**：相机自身属性——焦距、光心、畸变系数 - **基础矩阵**：描述双目立体中两相机间的几何关系（对应点关系），属于**外参/立体几何**范畴 - 本质矩阵（Essential Matrix）类似，归一化坐标版本 **记忆**：内参管"相机自己"，外参/几何关系管"相机之间"。

### SIFT 哪个描述错误？ **[单选]** 关于 SIFT 特征，哪个描述**错误**？ A. SIFT 对尺度变化不变 B. SIFT 对旋转变化不变 C. SIFT 用于图像匹配 D. **SIFT 受光照变化影响很大** ✓（错误） **答案：D** **解析**： - A、B、C 都正确：SIFT 全称 Scale-Invariant Feature Transform，对**尺度**和**旋转**不变，常用于图像匹配/拼接 - D 错误：SIFT 通过梯度方向直方图归一化，对**线性光照变化**鲁棒（不是"受影响很大"） - SIFT 不变的是：尺度、旋转、光照（线性）、小视角变化 - SIFT 不具备：完全仿射不变性、大角度透视不变性

### 卷积计算知识点 **1. 单个卷积过滤器参数量公式** `参数数 = K_h × K_w × C_in + 1`（含偏差） - `K_h × K_w`：卷积核空间尺寸 - `C_in`：输入通道数（卷积核深度必须匹配） - `+1`：偏差项 **关键**：参数量与输入**空间尺寸**（如 64×64）**无关**，只与卷积核大小、输入通道数、过滤器个数有关。 **多个过滤器**：`参数数 = N × (K_h × K_w × C_in + 1)`，N 为过滤器个数 = 输出通道数。 **2. 卷积输出尺寸公式（2D / 3D 通用）** `输出尺寸 = (输入尺寸 - 卷积核尺寸 + 2 × padding) / stride + 1` | 维度 | 2D 卷积 | 3D 卷积 | |------|---------|---------| | 输入 | H × W × C | D × H × W × C | | 卷积核 | k × k × C | k × k × k × C | | 滑动方向 | 2 个空间方向 | 3 个空间方向（深度+高+宽） | | 输出通道 | = 过滤器个数 N | = 过滤器个数 N | | 典型应用 | 图像分类 | 视频、医学影像 | **3. CNN 的两大核心特性** | 特性 | 含义 | 作用 | |------|------|------| | **稀疏连接** | 每个输出只依赖前一层**局部少量**激活（局部感受野） | 参数少、捕获局部模式 | | **权重共享** | 同一卷积核在所有空间位置复用 | 平移不变性、参数大幅减少 | **注意区分**： - 稀疏连接（结构属性）≠ 权重稀疏（L1 正则化结果，许多权重为 0） - 稀疏连接（空间局部）≠ 通道全连接（滤波器确实跨所有输入通道） **参数量对比**：28×28×3 输入 → 28×28×64 输出 - 全连接层：2352 × 50176 ≈ **1.18 亿**参数 - 3×3 卷积层：3×3×3×64 = **1728** 参数 - 减少约 **68000 倍**

### Q1 单个 1×1 卷积过滤器含多少参数？ **[单选]** 输入维度 64×64×16，单个 1×1 卷积过滤器（含偏差）有多少参数？ A. 2　B. 17　C. 4097　D. 1 **答案：B** **解析**： - 权重 = 1 × 1 × C_in = 1 × 1 × 16 = **16**（每个输入通道 1 个权重） - 偏差 = **1** - 总参数 = 16 + 1 = **17** **易错点**： - A (2)：误以为"1 权重 + 1 偏差"，忽略了要对每个输入通道都有权重 - **C (4097)**：误把空间维度 64×64 = 4096 算进去，但**参数量与空间维度无关** - D (1)：漏掉权重 **通用公式**：`参数 = K_h × K_w × C_in + 1`。本题代入 `1×1×16+1 = 17`。 **1×1 卷积的两个用途**：① 通道降维/升维（瓶颈层）；② 跨通道信息融合。

### Q2 3D 卷积输出是否为 30×30×30×32？ **[判断]** 输入卷积 32×32×32×16（16 通道），用 32 个 3×3×3 过滤器（无填充，步长 1）卷积，输出是 30×30×30×32。 **答案：对 ✓** **解析**：逐维度套用输出尺寸公式 `输出 = (输入 - 核 + 2×padding) / stride + 1`： | 维度 | 计算 | 结果 | |------|------|------| | 深度 D | (32 - 3 + 0) / 1 + 1 | **30** ✓ | | 高度 H | (32 - 3 + 0) / 1 + 1 | **30** ✓ | | 宽度 W | (32 - 3 + 0) / 1 + 1 | **30** ✓ | | 通道 C | = 过滤器个数 | **32** ✓ | **关键**：① 无填充（valid padding）→ 输出尺寸减小；② 步长 1 → 输出 = 输入 - 核 + 1；③ 输出通道数 = 卷积核数量，**与输入通道数无关**（输入通道数只决定每个核的深度）。

### Q3 "稀疏连接"是什么意思？ **[单选]** "稀疏连接"是卷积层的好处，这是什么意思？ A. 正则化导致梯度下降将许多参数设为零 B. 每个过滤器都连接到上一层的每个通道 C. 下一层中的每个激活只依赖于前一层的少量激活 D. 卷积网络中的每一层只连接到另外两层 **答案：C** **解析**： - **C ✅** 稀疏连接 = **局部感受野**：每个输出神经元只连接前一层的一个局部区域（如 3×3 = 9 个输入），而非全部。这是 CNN 区别于全连接的核心结构特征。 - A ❌ 这是 L1 正则化产生的"**权重稀疏**"（许多权重值为 0），是训练结果，不是结构属性 - B ❌ 这描述的是通道维度的全连接（滤波器确实跨所有输入通道），与空间稀疏连接是两回事 - D ❌ 讨论的是层的连接数，与神经元连接模式无关（CNN 还有 ResNet 的跳跃连接） **易混三概念**： ``` 稀疏连接 (Sparse Connection) ← 空间局部，CNN 固有特性 权重稀疏 (Weight Sparsity) ← L1 正则化结果，许多权重=0 权重共享 (Weight Sharing) ← 同一核在所有位置复用 ```

### 经典网络与数据增强知识点 **1. Inception / GoogLeNet 核心思想** 在同一层**并行**使用多种尺寸卷积核（1×1、3×3、5×5）+ 池化分支，最后 concat 拼接： ``` 输入 ──┬─→ 1×1 Conv ─────────────────┤ ├─→ 1×1 Conv → 3×3 Conv ─────┤ ├─→ 1×1 Conv → 5×5 Conv ─────┤──→ Concat → 输出 └─→ 3×3 MaxPool → 1×1 Conv ──┘ ``` **两大优势**： - **多尺度特征提取**：同时捕获点级（1×1）、纹理（3×3）、全局结构（5×5）特征，高层语义更丰富，准确度提高 - **1×1 瓶颈降维**：在昂贵的大核卷积前用 1×1 减少通道数，**参数量可减少 90%+** | 方案 | 5×5 卷积参数（256→256） | |------|------------------------| | 直接 5×5 | 5×5×256×256 = 1,638,400 | | 1×1 瓶颈（256→64→256） | 1×1×256×64 + 5×5×64×256 = 425,984（**减 74%**） | **误区**：Inception 是"多尺度并行"，不是"感受野不变"也不是"感受野增大"——不同分支感受野本来就不同。 **2. 数据增强（Data Augmentation）** 通过**变换**（旋转/翻转/裁剪/颜色调整/加噪）从原始图像生成更多训练样本，提升泛化能力。 **训练变慢的根本原因**：数据**量**成倍增加（1000 张 → 10000 张），每个 epoch 要处理更多样本 → 训练时间相应增加。次要因素是增强计算本身耗时。 **增强方式耗时对比**：水平翻转（很低）< 随机裁剪（低）< 旋转（中）< 颜色调整（中）。

### Q1 GoogLeNet 的 Inception 结构有哪些优势？ **[多选]** GoogLeNet 提出的 Inception 结构优势有： A. 保证每层感受野不变，网络加深，精度更高 B. 使每层感受野增大，学习小特征的能力变大 C. 有效提取高层语义信息并对之加工，提高准确度 D. 利用该结构有效减轻网络权重 **答案：C、D** **解析**： - **C ✅** 多尺度并行提取（1×1/3×3/5×5 同时抓不同层次特征），高层语义更丰富，准确度提高 - **D ✅** 1×1 瓶颈层在大核卷积前降维，参数量减少 90%+ - A ❌ Inception 用不同尺寸核，**感受野不同**，不是"不变" - B ❌ 说法自相矛盾——感受野增大是学"大特征"，不是"小特征"；实际是"并行多尺度" **记忆**：Inception = 多尺度并行 + 1×1 瓶颈降维。

### Q2 使用数据增强时训练为什么变慢？ **[单选]** 使用增强训练时，您注意到训练会慢一些。为什么？ A. 因为有更多数据需要训练 B. 因为扩充后的数据更大 C. 因为图像处理需要周期 D. 因为训练会犯更多错误 **答案：A** **解析**： - **A ✅** 数据增强生成更多样本（1000 → 10000 张），每个 epoch 处理量增加 10 倍 → 训练时间相应增加，这是**主要原因** - B ❌ "更大"描述不准确——增强通常保持图像尺寸不变，关键是**数量**增加 - C ❌ "周期"用词不当，且图像处理耗时只是次要原因 - D ❌ 数据增强**帮助减少**错误（提升泛化），与训练速度无关 **完整因果链**：数据增强 → 生成更多样本 → 更多数据要训练 → 训练时间增加（次要：增强计算本身耗时）。

### CV 应用基础知识点 **1. 数字图像的数学表示 f(x, y)** `f(x, y)` = **在位置 (x, y) 处某种性质的数值** - 输入：(x, y) 是 2D 平面坐标 - 输出：f(x, y) 是该点的性质值（像素亮度、颜色、温度、高度……） **典型场景**： - 灰度图像：f(x,y) ∈ [0, 255]（像素强度） - RGB 图像：f(x,y) = (R, G, B) 三元组 - 3D 景物投影：3D 场景经投影矩阵映射到 2D 平面，f(x,y) 是投影后的像素值 - 物理场：温度场 T(x,y)、压力场 P(x,y)、高度场 H(x,y) **关键区分**： - **(x, y) 是位置坐标**（不是函数值） - **f(x, y) 是位置处的值**（不是坐标本身） **2. 神经风格迁移（Neural Style Transfer）** | 要素 | 经典神经风格迁移 | |------|-----------------| | 输入 | 内容图像 C + 风格图像 S | | 网络 | 预训练 CNN（如 VGG19），**参数冻结**，仅作特征提取器 | | 优化对象 | **生成图像的像素值**（从白噪声迭代优化），**不训练网络** | | 损失 | 内容损失（与 C 的特征差）+ 风格损失（与 S 的 Gram 矩阵差） | | 性质 | **无监督的图像优化问题**，**不是有监督学习** | **与"快速神经风格迁移"的区别**：快速版本确实训练一个生成网络（针对特定风格预训练），推理时只需内容图像，是另一种范式。

### Q1 f(x, y) 可以表示哪些？ **[多选]** 可以用 f(x, y) 来表示： A. 一幅 2-D 数字图像 B. 一个在 3-D 空间中的客观景物的投影 C. 2-D 空间 XY 中的一个坐标的点的位置 D. 在坐标点 (X, Y) 的某种性质 F 的数值 **答案：A、B、D** **解析**：f(x, y) 的本质是"位置 → 性质值"的映射 `f: ℝ² → ℝ`。 - **A ✅** 2D 数字图像：f(x,y) = 位置 (x,y) 处的像素值 - **B ✅** 3D 景物投影：3D 点经投影矩阵映射到 2D 平面，f(x,y) = 投影后的像素值 - **C ❌** 点的**位置**用坐标 `(x, y)` 表示，不是 `f(x, y)`——C 混淆了"位置"与"位置处的值" - **D ✅** f(x,y) = 坐标 (X,Y) 处某性质 F 的数值（这正是 f(x,y) 的定义） **记忆**：f(x,y) 是"值"，(x,y) 是"位置"；位置本身不是函数值。

### Q2 神经风格迁移是有监督学习？ **[判断]** 神经风格转换被训练为有监督学习任务，目标是输入两张图像 x，训练一个能输出新合成图像 y 的网络。 **答案：错 ✗** **解析**：经典神经风格迁移**不是**有监督学习，而是一个**无监督的图像优化问题**： | 题目描述 | 实际情况 | |----------|----------| | 有监督学习 | ❌ 无标注数据，无监督优化 | | 训练网络 | ❌ 网络（VGG19）参数**冻结**，只提取特征 | | 输入两张图训练网络 | ❌ 分别提取特征，**优化的是生成图像的像素值** | | 端到端映射 | ❌ 迭代优化内容损失 + 风格损失 | **关键**：优化的对象是**生成图像的像素**（从白噪声开始迭代），不是网络权重。 **补充**：后续的"快速神经风格迁移"确实训练生成网络，但那是单张内容图输入、针对特定风格预训练，与经典范式不同。