跳转至

模式识别与计算机视觉

南京大学当期开设

版本 课程号 课程性质 学分 课表所列教师
人工智能学院 2023 级，2025-2026 学年第二学期 30000170 核心 2 吴建鑫

文件名沿用 cv.md 以保持现有站内链接，但课程词条使用官方课表中的完整名称《模式识别与计算机视觉》。

信息边界

官方课表只确认课程身份，不确认页面曾列出的 YOLO、NMS、全景拼接或其他固定考点和作业。具体内容必须查当期大纲。

学科知识框架

模式识别与计算机视觉关注如何从图像、视频和其他视觉观测中提取结构化信息。常见知识模块包括：

  • 图像形成与处理：采样、颜色、滤波、边缘和局部特征。
  • 几何视觉：相机模型、投影、单应性、对极几何和三维重建。
  • 模式识别基础：特征表示、分类器、距离度量和评价指标。
  • 深度视觉模型：卷积网络、残差网络和视觉 Transformer。
  • 视觉任务：分类、检测、语义分割、实例分割和视觉生成。
  • 评估与数据问题：数据划分、类别不平衡、域偏移、鲁棒性和偏差。

当期课程可能只选择其中部分内容，不能把通用领域目录当成考试范围。

学习建议

  1. 同时理解像素级处理、几何方法和数据驱动方法各自的假设。
  2. 实验中固定数据划分和评价协议，记录预处理与模型版本。
  3. 观察错误样本，区分数据问题、表示问题和优化问题。
  4. 使用人脸、医疗等敏感数据时，先确认授权、隐私和伦理要求。

公开资源

  • [外校公开课] Stanford CS231n：深度视觉模型的常用补充材料。
  • [出版教材] Richard Szeliski, Computer Vision: Algorithms and Applications：覆盖图像、几何与视觉算法；不是南京大学指定教材声明。

一手来源