2026_DesignAI/03-computer-vision/03-computer-vision.md

第三篇：计算机视觉与空间图像

本篇深入讲解计算机视觉的核心技术CNN，以及目标检测和语义分割在空间分析中的应用。

篇章导读

计算机视觉让机器"看见"世界。从图像分类到目标检测，从语义分割到场景理解，视觉技术正在改变设计领域对空间信息的处理方式。

本篇将系统介绍CNN原理及其在空间分析中的应用。

---

学习目标

理解CNN的核心思想：局部连接与权重共享

掌握卷积、激活、池化三大组件

了解CNN与MLP的区别和联系

为什么需要CNN

MLP的问题

将图像展平成一维向量输入MLP：

28×28``图像`` → 784``维向量`` → MLP

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

Understanding CNNs # 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

COCO数据集 # 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

U-Net: Convolutional Networks for Biomedical Image Segmentation