合并子章节到父文件，每个篇章归为单文件

将 11 个目录下的 26 个子章节文件合并到对应的父文件中，用 --- 分隔各子章节，移除冗余的章节目录索引。每个篇章现在是独立的单文件，结构更简洁。 Co-Authored-By: Claude Opus 4.7 <noreply@anthropic.com>
2026-04-25 10:48:05 +08:00
parent e58b95d227
commit fac0133db5
37 changed files with 3421 additions and 3581 deletions
@@ -8,26 +8,457 @@

 本篇将系统介绍CNN原理及其在空间分析中的应用。

-## 章节目录
+---

-[02.1 CNN基础原理](02.1-cnn-foundation.md) - 卷积神经网络三大组件
+### 学习目标

-[02.2 目标检测](02.2-object-detection.md) - YOLO系列与应用
+理解CNN的核心思想：局部连接与权重共享

-[02.3 语义分割与空间分析](02.3-semantic-segmentation.md) - 图像分析层级
+掌握卷积、激活、池化三大组件

-## 核心概念
+了解CNN与MLP的区别和联系

-  ---------------------------------------------------------------
-  概念           英文              说明
-  -------------- ----------------- ------------------------------
-  卷积神经网络   CNN               Convolutional Neural Network
+### 为什么需要CNN

-  特征图         Feature Map       卷积操作的输出
+MLP的问题

-  感受野         Receptive Field   神经元能"看到"的输入区域
+将图像展平成一维向量输入MLP：

-  池化           Pooling           下采样操作
-  ---------------------------------------------------------------
+`28×28``图像`` → 784``维向量`` → MLP`

-## 02.1 CNN基础原理
+**问题**： 1. 参数量巨大：784×1000 = 784,000个参数 2. 忽略空间结构：相邻像素的关系被破坏 3. 缺乏平移不变性：物体移位后需要重新学习
+
+#### CNN的解决方案
+
+  ------------------------------------------------------------
+  特性         说明                       优势
+  ------------ -------------------------- --------------------
+  局部连接     每个神经元只连接局部区域   符合图像局部相关性
+
+  权重共享     同一卷积核扫描全图         大幅减少参数
+
+  层次化特征   低层→高层特征抽象          自动学习特征表达
+  ------------------------------------------------------------
+
+### CNN三大组件
+
+#### 1. 卷积层 (Convolution)
+
+**卷积操作**：用卷积核（Filter）在图像上滑动，计算局部特征
+
+`输入图像``          ``卷积核``            ``特征图`\
+`┌─────────┐    ┌─────┐          ┌─────────┐`\
+`│ 1  2  3 │    │ 1  0 │          │  8  10 │`\
+`│ 4  5  6 │  ⊗ │ 0 -1 │    =     │ 14  16 │`\
+`│ 7  8  9 │    │      │          │        │`\
+`└─────────┘    └─────┘          └─────────┘`
+
+**计算示例**：
+
+`输出``(1,1) = 1×1 + 2×0 + 4×0 + 5×(-1) = 1 - 5 = -4`
+
+**多通道卷积**：
+
+`RGB``图像`` (3``通道``) + ``卷积核`` (3×3×3) → ``特征图`` (``单通道``)`
+
+#### 2. 激活层 (Activation)
+
+通常使用ReLU：
+
+`output ``=`` ``max``(``0``, ``feature_map``)`
+
+作用：引入非线性，使网络能学习复杂模式
+
+#### 3. 池化层 (Pooling)
+
+**最大池化** (Max Pooling)：
+
+`2×2``窗口`` → ``取最大值`\
+`┌─────┐       ┌───┐`\
+`│3  1 │       │ 3 │`\
+`│2  5 │  →    │   │`\
+`└─────┘       │ 5 │`\
+`              └───┘`
+
+作用： - 降低维度，减少计算量 - 增强平移不变性 - 扩大感受野
+
+### CNN架构示例
+
+#### LeNet-5 (经典架构)
+
+`输入``(32×32) → ``卷积层`` → ``池化层`` → ``卷积层`` → ``池化层`\
+`                                           ↓`\
+`                                    ``全连接层`` → ``输出`
+
+#### VGG-16 (深层架构)
+
+`输入`` → [Conv×3 + Pool] ×2 → [Conv×3 + Pool] ×3`\
+`     → [Conv×3 + Pool] ×3 → FC×3 → ``输出`
+
+### CNN vs MLP
+
+  -------------------------------------
+  特性       MLP            CNN
+  ---------- -------------- -----------
+  连接方式   全连接         局部连接
+
+  权重       每个连接独立   同层共享
+
+  空间结构   忽略           保留
+
+  参数量     大             小
+
+  适用任务   结构化数据     图像/语音
+  -------------------------------------
+
+### 经典网络架构演进
+
+`LeNet`` (1998)        → ``首次定义``CNN``结构`\
+`     ↓`\
+`AlexNet`` (2012)      → ``深度学习爆发，``ReLU``激活`\
+`     ↓`\
+`VGG (2014)          → ``更深网络，``3×3``小卷积核`\
+`     ↓`\
+`GoogLeNet`` (2014)    → Inception``模块，多尺度`\
+`     ↓`\
+`ResNet`` (2015)       → ``残差连接，``152``层`\
+`     ↓`\
+`EfficientNet`` (2019) → ``复合缩放，高效`
+
+### 思考与练习
+
+1.为什么卷积核通常选择奇数尺寸（3×3, 5×5）？
+
+2.感受野如何随着网络深度增加？
+
+3.设计一个简单的CNN用于手写数字识别
+
+### 关键术语
+
+  -------------------------------------------------------
+  中文     英文              说明
+  -------- ----------------- ----------------------------
+  卷积核   Kernel/Filter     用于特征提取的小矩阵
+
+  步幅     Stride            卷积核滑动的步长
+
+  填充     Padding           边缘补零以保持尺寸
+
+  感受野   Receptive Field   神经元响应的输入区域
+
+  通道     Channel           图像的颜色维度或特征图数量
+  -------------------------------------------------------
+
+### 延伸阅读
+
+[CS231n: Convolutional Neural Networks](http://cs231n.stanford.edu/)
+
+[Understanding CNNs](https://poloclub.github.io/cnn-explainer/) \# 02.2 目标检测
+
+---
+
+## 学习目标
+
+理解目标检测与图像分类的区别
+
+掌握YOLO系列的发展脉络
+
+了解目标检测在设计中的应用
+
+### 从分类到检测
+
+#### 图像分类
+
+`输入图像`` → CNN → ``类别标签`\
+`"``猫``"  (``单标签``)`
+
+#### 目标检测
+
+`输入图像`` → CNN → [``位置``, ``类别``]`\
+`[``边界框``, "``猫``", 0.95]`\
+`[``边界框``, "``狗``", 0.87]`
+
+**核心差异**：检测需要同时解决"是什么"和"在哪里"
+
+### 检测器类型
+
+#### Two-Stage检测器
+
+`第一阶段：候选区域生成`\
+`    RPN (Region Proposal Network)`\
+\
+`第二阶段：分类与回归`\
+`    ``对每个候选框进行精确预测`\
+\
+`代表：``R-CNN, Fast R-CNN, Faster R-CNN`
+
+特点：准确率高，速度慢
+
+#### One-Stage检测器
+
+`直接预测：一次性输出所有边界框和类别`\
+\
+`代表：``YOLO, SSD, ``RetinaNet`
+
+特点：速度快，实时性好
+
+### YOLO系列演进
+
+#### YOLO v1 (2016)
+
+**核心思想**：将检测转化为回归问题
+
+`输入图像`` → S×S``网格`` → ``每个网格预测``B``个边界框`
+
+创新点： - 端到端训练 - 实时检测 (45 FPS)
+
+#### YOLO v2-v4
+
+  ----------------------------------
+  版本   主要改进
+  ------ ---------------------------
+  v2     Batch Normalization, 锚框
+
+  v3     多尺度预测
+
+  v4     CSPDarknet, PANet
+
+  v5     PyTorch实现，工程优化
+
+  v8     重新设计，更易用
+  ----------------------------------
+
+#### YOLO工作流程
+
+##### 1. 输入图像 (640×640)
+
+`↓`
+
+##### 2. Backbone特征提取
+
+`↓`
+
+##### 3. Neck特征融合 (FPN + PAN)
+
+`↓`
+
+##### 4. Head检测输出
+
+`- ``边界框坐标`
+
+`- ``目标置信度`
+
+`- ``类别概率`
+
+### 评估指标
+
+#### IoU (交并比)
+
+`IoU`` = ``预测框与真实框的交集`` / ``并集`\
+\
+`      ┌─────────┐`\
+`      │ ``预测框``  │`\
+`      │  ┌───┐ │`\
+`      │  │``真`` │ │`\
+`      └──┼──┼─┘`\
+`         └───┘`\
+\
+`IoU`` = ``重叠面积`` / ``总面积`
+
+### mAP (平均精度均值)
+
+在不同IoU阈值(0.5, 0.75...)下的平均精度
+
+综合衡量定位准确度和分类准确度
+
+### COCO数据集
+
+80类物体，包含： - 目标检测 - 实例分割 - 关键点检测 - 图像说明
+
+## 设计领域应用
+
+建筑识别
+
+`卫星图像`` → YOLO → ``建筑物边界框`\
+`    ↓`\
+`自动生成建筑轮廓`
+
+场景分析
+
+`室内照片`` → ``目标检测`` → ``家具识别`\
+`    ↓`\
+`空间布局分析`
+
+遗产保护
+
+`无人机影像`` → ``建筑病害检测`\
+`    ↓`\
+`自动化巡检与记录`
+
+## 思考与练习
+
+1.Two-Stage和One-Stage检测器的权衡是什么？
+
+2.为什么YOLO能实现实时检测？
+
+3.目标检测在规划设计中有哪些潜在应用？
+
+## 关键术语
+
+  -------------------------------------------------------
+  中文           英文           说明
+  -------------- -------------- -------------------------
+  边界框         Bounding Box   矩形目标框
+
+  锚框           Anchor Box     预定义的候选框
+
+  非极大值抑制   NMS            去除重复检测
+
+  交并比         IoU            Intersection over Union
+
+  平均精度       AP             Average Precision
+  -------------------------------------------------------
+
+## 延伸阅读
+
+[Ultralytics YOLO文档](https://docs.ultralytics.com/)
+
+[COCO数据集](https://cocodataset.org/) \# 02.3 语义分割与空间分析
+
+---
+
+## 学习目标
+
+理解图像分析的三种层级
+
+掌握语义分割与实例分割的区别
+
+了解分割技术在空间分析中的应用
+
+## 图像分析层级
+
+### Pixel-Level (像素级)
+
+`每个像素独立处理`\
+`问题：不考虑上下文`
+
+### Patch-Level (图块级)
+
+`以图像块为单位`\
+`特点：保留局部空间关系`\
+`应用：``CNN``卷积操作`
+
+### Object-Level (对象级)
+
+`以完整对象为单位`\
+`特点：语义完整`\
+`应用：目标检测、分割`
+
+### 语义分割 vs 实例分割
+
+#### 语义分割 (Semantic Segmentation)
+
+`所有同类对象归为一类`\
+`图像`` → [``道路``, ``建筑``, ``车辆``, ``行人``, ...]`
+
+特点： - 同类别用同一种颜色 - 不区分个体数量
+
+#### 实例分割 (Instance Segmentation)
+
+`每个对象单独分割`\
+`图像`` → [``建筑``1, ``建筑``2, ``车``1, ``车``2, ...]`
+
+特点： - 区分同类对象的不同个体 - 更精细的场景理解
+
+### 分割网络架构
+
+#### FCN (全卷积网络)
+
+`CNN``特征提取`` → ``上采样`` → ``像素级预测`
+
+创新：用卷积层替代全连接层，输出热力图
+
+#### U-Net
+
+`编码器`` → ``瓶颈层`` → ``解码器`\
+`  ↓                    ↑`\
+`跳跃连接`` ───────────────┘`
+
+特点： - U型对称结构 - 跳跃连接融合多尺度特征 - 医学图像分割经典架构
+
+#### DeepLab系列
+
+空洞卷积 (Atrous Convolution)
+
+扩大感受野而不降低分辨率
+
+ASPP (空洞空间金字塔池化)
+
+### 空间分析应用
+
+#### 遥感影像分析
+
+`卫星图像`` → ``语义分割`` → ``土地利用分类`\
+`    ↓`\
+`- ``建筑用地`\
+`- ``农用地`\
+`- ``水体`\
+`- ``森林`
+
+#### 城市形态分析
+
+`街景图像`` → ``分割`` → ``空间品质评估`\
+`    ↓`\
+`- ``绿视率`\
+`- ``天空开阔度`\
+`- ``建筑密度`
+
+#### 景观格局分析
+
+`高分辨率影像`` → ``生态源地识别`\
+`    ↓`\
+`景观连接性评估`
+
+### 分割与检测对比
+
+  --------------------------------
+  特性     目标检测   语义分割
+  -------- ---------- ------------
+  输出     矩形框     像素级标注
+
+  精度     粗糙       精细
+
+  计算量   较低       较高
+
+  应用     目标定位   场景理解
+  --------------------------------
+
+### 思考与练习
+
+1.语义分割和实例分割分别在什么场景下更有用？
+
+2.U-Net的跳跃连接为什么重要？
+
+3.分割技术如何辅助规划设计决策？
+
+### 关键术语
+
+  -----------------------------------------------------
+  中文       英文                    说明
+  ---------- ----------------------- ------------------
+  语义分割   Semantic Segmentation   按类别分割像素
+
+  实例分割   Instance Segmentation   按对象个体分割
+
+  热力图     Heatmap                 像素级预测结果
+
+  空洞卷积   Atrous Convolution      扩大感受野的卷积
+
+  跳跃连接   Skip Connection         跨层连接
+  -----------------------------------------------------
+
+### 延伸阅读
+
+[Fully Convolutional Networks](https://arxiv.org/abs/1411.4038)
+
+[U-Net: Convolutional Networks for Biomedical Image Segmentation](https://arxiv.org/abs/1505.04597)