fix(latex): 修复中文引号渲染，''...'' → "..."（139处）
pandoc 转换将中文双引号变为两个ASCII单引号，导致LaTeX中 左右引号均渲染为右引号。替换为Unicode中文引号以正确显示。 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
This commit is contained in:
@@ -6,7 +6,7 @@
|
||||
|
||||
人类感知世界，约80\%的信息来自视觉。对于设计师而言，图像不仅是设计成果的呈现形式，更是灵感来源、分析对象和沟通媒介。
|
||||
|
||||
本章将沿着一条清晰的技术演进主线展开：\textbf{从小模型时代（CNN）到大模型时代（Vision Transformer），再到多模态大视觉模型}。我们将看到，计算机视觉如何从''识别图片中的猫''一步步发展到''理解任意场景中的任意内容''，以及这些技术如何赋能建筑识别、街景分析、设计素材管理等设计实践。
|
||||
本章将沿着一条清晰的技术演进主线展开：\textbf{从小模型时代（CNN）到大模型时代（Vision Transformer），再到多模态大视觉模型}。我们将看到，计算机视觉如何从“识别图片中的猫”一步步发展到“理解任意场景中的任意内容”，以及这些技术如何赋能建筑识别、街景分析、设计素材管理等设计实践。
|
||||
|
||||
通过本章学习，你将：
|
||||
|
||||
@@ -75,7 +75,7 @@ CNN通过三个关键设计解决了MLP的上述缺陷：
|
||||
\end{longtable}
|
||||
}
|
||||
|
||||
\textbf{直觉理解}：人在识别一张建筑照片时，不会同时关注所有像素，而是先看局部特征（窗户、门、柱子），再组合成整体判断。CNN正是模拟了这种''从局部到整体''的视觉处理方式。
|
||||
\textbf{直觉理解}：人在识别一张建筑照片时，不会同时关注所有像素，而是先看局部特征（窗户、门、柱子），再组合成整体判断。CNN正是模拟了这种“从局部到整体”的视觉处理方式。
|
||||
|
||||
\subsection{卷积操作}
|
||||
|
||||
@@ -242,7 +242,7 @@ LeNet (1998) AlexNet (2012) VGG (2014) ResNet (2015)
|
||||
\endlastfoot
|
||||
LeNet-5 & 1998 & 5层 & 首个成功的CNN & 手写数字识别，邮局实用 \\
|
||||
AlexNet & 2012 & 8层 & ReLU、Dropout、GPU训练 & ImageNet竞赛冠军，深度学习复兴 \\
|
||||
VGGNet & 2014 & 16-19层 & 3×3小卷积核堆叠 & 证明''更深=更好''的简洁设计 \\
|
||||
VGGNet & 2014 & 16-19层 & 3×3小卷积核堆叠 & 证明“更深=更好”的简洁设计 \\
|
||||
ResNet & 2015 & 152层+ & 残差连接（Skip Connection） & 突破深度瓶颈，可训练极深网络 \\
|
||||
\end{longtable}
|
||||
}
|
||||
@@ -293,7 +293,7 @@ ResNet的核心创新是\textbf{残差连接（Residual Connection）}：
|
||||
\end{itemize}
|
||||
|
||||
\begin{quote}
|
||||
\textbf{设计思维链接}：残差连接的思想类似于设计中的''增量修改''——在保留原有方案（x）的基础上进行改进（F(x)），而非推倒重来。这种''在已有基础上做调整''的策略，在参数空间中比''从零开始学习''高效得多。
|
||||
\textbf{设计思维链接}：残差连接的思想类似于设计中的“增量修改”——在保留原有方案（x）的基础上进行改进（F(x)），而非推倒重来。这种“在已有基础上做调整”的策略，在参数空间中比“从零开始学习”高效得多。
|
||||
\end{quote}
|
||||
|
||||
|
||||
@@ -301,7 +301,7 @@ ResNet的核心创新是\textbf{残差连接（Residual Connection）}：
|
||||
|
||||
\subsection{从分类到检测}
|
||||
|
||||
图像分类回答的问题是''这是什么''，而目标检测需要同时回答两个问题：
|
||||
图像分类回答的问题是“这是什么”，而目标检测需要同时回答两个问题：
|
||||
|
||||
\begin{lstlisting}
|
||||
分类： "这是一张建筑的照片" → what
|
||||
@@ -332,7 +332,7 @@ ResNet的核心创新是\textbf{残差连接（Residual Connection）}：
|
||||
|
||||
\subsection{两阶段检测器}
|
||||
|
||||
两阶段方法的思路是''先找候选区域，再分类判别''，精度高但速度较慢。
|
||||
两阶段方法的思路是“先找候选区域，再分类判别”，精度高但速度较慢。
|
||||
|
||||
\textbf{演进路线}：
|
||||
|
||||
@@ -586,7 +586,7 @@ DeepLab由Google团队提出，其核心创新是\textbf{空洞卷积（Atrous C
|
||||
|
||||
2020年，Google团队提出了 \textbf{ViT（Vision Transformer）}，首次证明纯Transformer架构可以在图像任务上达到甚至超越CNN的性能，开启了视觉领域的Transformer时代。
|
||||
|
||||
\textbf{ViT的核心思路}：将图像切割为固定大小的图块（Patch），将每个图块视为一个''词''（Token），然后送入标准Transformer编码器处理。
|
||||
\textbf{ViT的核心思路}：将图像切割为固定大小的图块（Patch），将每个图块视为一个“词”（Token），然后送入标准Transformer编码器处理。
|
||||
|
||||
\begin{lstlisting}
|
||||
输入图像 (224×224×3) 切分为图块 线性嵌入
|
||||
@@ -744,7 +744,7 @@ Swin Transformer的设计使其兼具CNN的层级特征提取优势和Transforme
|
||||
└─────────┘ └──────────┘
|
||||
\end{lstlisting}
|
||||
|
||||
CLIP的训练目标：对于N个''图像-文本''配对，最大化正确配对的相似度，最小化错误配对的相似度。
|
||||
CLIP的训练目标：对于N个“图像-文本”配对，最大化正确配对的相似度，最小化错误配对的相似度。
|
||||
|
||||
\textbf{零样本分类}：
|
||||
|
||||
@@ -764,7 +764,7 @@ CLIP的意义在于：\textbf{用自然语言定义视觉概念}，打破了传
|
||||
|
||||
\subsection{SAM：分割一切}
|
||||
|
||||
\textbf{SAM（Segment Anything Model, Meta, 2023）}是一个''可提示''的通用分割模型，能够根据各种提示（点、框、文本）分割图像中的任意目标。
|
||||
\textbf{SAM（Segment Anything Model, Meta, 2023）}是一个“可提示”的通用分割模型，能够根据各种提示（点、框、文本）分割图像中的任意目标。
|
||||
|
||||
\begin{lstlisting}
|
||||
SAM 的三种提示方式
|
||||
@@ -796,7 +796,7 @@ SAM 的三种提示方式
|
||||
\textbf{海量数据集}：SA-1B数据集包含10亿级自动标注的分割掩码
|
||||
\end{itemize}
|
||||
|
||||
SAM的设计理念是成为视觉领域的''基础模型''——像大语言模型处理文本一样，成为处理视觉分割任务的基础设施。
|
||||
SAM的设计理念是成为视觉领域的“基础模型”——像大语言模型处理文本一样，成为处理视觉分割任务的基础设施。
|
||||
|
||||
\subsection{DINOv2：自监督视觉特征}
|
||||
|
||||
@@ -834,7 +834,7 @@ DINOv2学到的特征具有惊人的语义对齐能力——无需文本训练
|
||||
|
||||
\subsection{视觉-语言模型}
|
||||
|
||||
大视觉模型发展的一个重要趋势是\textbf{视觉与语言模态的融合}。模型不再仅''看图说话''，而是真正理解图像内容并可以回答关于图像的复杂问题。
|
||||
大视觉模型发展的一个重要趋势是\textbf{视觉与语言模态的融合}。模型不再仅“看图说话”，而是真正理解图像内容并可以回答关于图像的复杂问题。
|
||||
|
||||
\textbf{典型任务与模型}：
|
||||
|
||||
@@ -949,7 +949,7 @@ DINOv2学到的特征具有惊人的语义对齐能力——无需文本训练
|
||||
\item
|
||||
\textbf{智能标签}：自动为设计素材添加语义标签，无需人工标注
|
||||
\item
|
||||
\textbf{自然语言检索}：用文字描述查找设计参考图（如''带玻璃幕墙的现代商业建筑''）
|
||||
\textbf{自然语言检索}：用文字描述查找设计参考图（如“带玻璃幕墙的现代商业建筑”）
|
||||
\item
|
||||
\textbf{风格分类}：自动识别设计作品的风格特征
|
||||
\item
|
||||
@@ -971,7 +971,7 @@ DINOv2学到的特征具有惊人的语义对齐能力——无需文本训练
|
||||
后现代/...) 未知风格) 的设计案例)
|
||||
\end{lstlisting}
|
||||
|
||||
结合CLIP的零样本能力，设计师可以自定义风格类别（如''新中式''\,``极简主义''``有机建筑''等），无需收集训练数据即可进行风格分类。
|
||||
结合CLIP的零样本能力，设计师可以自定义风格类别（如“新中式”\,``极简主义“``有机建筑”等），无需收集训练数据即可进行风格分类。
|
||||
|
||||
|
||||
\section{本章小结}
|
||||
@@ -1004,9 +1004,9 @@ CNN时代 (2012-2020) Transformer时代 (2020-)
|
||||
\item
|
||||
\textbf{架构对比}：CNN通过局部卷积提取特征，ViT通过全局自注意力建立关系。在设计场景中（如建筑立面分析、街景品质评估），你认为哪种架构更适合？为什么？
|
||||
\item
|
||||
\textbf{零样本能力}：CLIP实现了''用自然语言做图像分类''的零样本能力。如果你是一名城市设计师，想用CLIP分析城市街景的''宜居性''，你会如何设计提示文本？考虑需要哪些视觉线索。
|
||||
\textbf{零样本能力}：CLIP实现了“用自然语言做图像分类”的零样本能力。如果你是一名城市设计师，想用CLIP分析城市街景的“宜居性”，你会如何设计提示文本？考虑需要哪些视觉线索。
|
||||
\item
|
||||
\textbf{大模型与传统方法}：SAM号称可以''分割一切''。在专业设计领域（如建筑精细构件识别、景观植物种类分割），通用大模型和针对特定任务训练的小模型各有什么优势和局限？你会如何选择？
|
||||
\textbf{大模型与传统方法}：SAM号称可以“分割一切”。在专业设计领域（如建筑精细构件识别、景观植物种类分割），通用大模型和针对特定任务训练的小模型各有什么优势和局限？你会如何选择？
|
||||
\end{enumerate}
|
||||
|
||||
|
||||
@@ -1032,7 +1032,7 @@ CNN时代 (2012-2020) Transformer时代 (2020-)
|
||||
卷积神经网络 & Convolutional Neural Network (CNN) & 利用卷积操作提取局部特征的神经网络 \\
|
||||
卷积核/滤波器 & Kernel / Filter & 卷积操作中用于特征提取的小矩阵 \\
|
||||
池化 & Pooling & 降低特征图空间尺寸的下采样操作 \\
|
||||
感受野 & Receptive Field & 神经元能''看到''的输入区域大小 \\
|
||||
感受野 & Receptive Field & 神经元能“看到”的输入区域大小 \\
|
||||
残差连接 & Residual/Skip Connection & 将输入直接加到输出上，解决深层网络退化问题 \\
|
||||
目标检测 & Object Detection & 同时识别图像中目标的类别和位置 \\
|
||||
边界框 & Bounding Box & 用矩形框标出目标位置的表示方法 \\
|
||||
|
||||
Reference in New Issue
Block a user