電腦視覺基礎

4 篇精讀筆記

← 返回論文精讀

從經典視覺模型的架構、訓練與評測證據，建立判讀方法論文的底座。

讀者問題

一個經典模型的結果，哪些設計與證據仍值得帶進今天的系統？

READING LIBRARY

深入讀這個議題

目前收錄在這個研究議題下的所有論文精讀。

  • ResNet：殘差讓深度可訓，但不能把 ImageNet 2015 當成現成的偵測或 ViT 契約

    中階 先建立方法閱讀底座
    ResNet 深度精讀: Part 1 , 筆記: 2026年8月28日 , 論文: 2016 , CV

    精讀 He et al. CVPR 2016／arXiv:1512.03385：用恆等捷徑讓堆疊層學殘差 F(x)+x，解決 plain 深網的 degradation。ImageNet 上 ResNet-152 單模型 top-5 驗證誤差 4.49%；這是 2015 分類證據，不是 YOLO、ViT 或現代 ConvNet 排行榜契約。

    90 秒掌握這篇論文
    問題
    在 BN 與良好初始化已讓「幾十層」能收斂之後，繼續堆深 plain 卷積層會出現 degradation——更深模型的 training error 反而更高（Figure 1、Figure 4 左），這不是典型 overfitting。
    核心洞見
    把目標映射改寫成殘差學習。若希望底層輸出為 $\mathcal{H}(\mathbf{x})$，不讓堆疊非線性層直接擬合 $\mathcal{H}$，而讓它們擬合 $\mathcal{F}(\mathbf{x}):=\mathcal{H}(\mathbf{x})-\mathbf{x}$，再以恆等捷徑輸出 $\mathbf{y}=\mathcal{F}(\mathbf{x})+\mathbf{x}$（Equation 1）。控制點是「優化器被要求從零擬合 $H(x)$，還是在 identity 上學修正量 $F(x)$」。
    最強證據
    ImageNet 上同參數量的 plain-34 top-1 28.54% 差於 plain-18 27.94%；ResNet-34 25.03% 則優於 ResNet-18 27.88%（Table 2，10-crop validation）。CIFAR-10 上 plain-56 training error 超過 60% 不顯示，ResNet 家族隨深度降至 ResNet-110 6.43%（Table 6、Figure 6）。單模型 ResNet-152 top-5 validation 4.49%；ensemble test top-5 3.57%（Table 4–5）。
    主要邊界
    證據核心是 2012 ImageNet 分類 與 CIFAR-10 深度診斷；PASCAL／COCO 偵測只是 Faster R-CNN 換 backbone 的轉移表（Table 7–8），不是 YOLO 契約，也不是 ViT、ConvNeXt 或 ResNet-RS 的現代 leaderboard。
    進入完整精讀

  • YOLO：一次看完整張圖做偵測，但 VOC 2016 不能代表後來的 YOLO 家族

    中階 先建立方法閱讀底座
    YOLO 原始論文精讀: Part 1 , 筆記: 2026年8月28日 , 論文: 2016 , CV

    精讀 Redmon et al. CVPR 2016／arXiv:1506.02640：把物件偵測改寫成單次前向傳播的迴歸——S×S 網格、B 個框、C 類機率一次輸出。VOC 2007 上 YOLO 63.4% mAP／45 FPS；這是 2016 統一偵測證據，不是 YOLOv3 COCO 或 Ultralytics 產品數字。

    90 秒掌握這篇論文
    問題
    2016 年前主流偵測器（DPM、R-CNN、Fast/Faster R-CNN）把分類器或區域提議、特徵、分數、後處理拆成多段管線，難以端到端優化，測試也慢（例如 R-CNN 逾 40 秒／張、Fast R-CNN 約 0.5 FPS）。
    核心洞見
    把偵測改寫成 單一迴歸：輸入整張圖，單一 CNN 直接輸出空間上分散的邊界框與類別機率。控制點是 one-shot global reasoning 對 two-stage propose-then-classify；整個管線是一個網路，可端到端以偵測損失訓練（Section 1–2、Figure 1–2）。
    最強證據
    PASCAL VOC 2007（Table 1，train 2007+2012）：YOLO 63.4% mAP、45 FPS（Titan X、無 batch）；Fast YOLO 52.7% mAP、155 FPS。同表對照 Fast R-CNN 70.0% mAP、0.5 FPS；Faster R-CNN VGG-16 73.2% mAP、7 FPS。Figure 4：YOLO 定位錯誤 19.0% 為主，背景誤報 4.75% 遠低於 Fast R-CNN 13.6%。
    主要邊界
    粗網格（每格僅 2 框、1 類）、VOC 20 類、非 instance segmentation；VOC 2012 test 57.9% mAP 低於當時 leaderboard 頂端。YOLOv2/v3/v8、COCO 2017、Ultralytics 產品 mAP 不屬本 PDF；ResNet-152 ImageNet 4.49% 亦不是偵測契約。
    進入完整精讀

  • AlexNet（下）：把可訓練化配方拆成可驗證的設計

    中階 先建立方法閱讀底座
    AlexNet 精讀: Part 2 , 筆記: 2026年3月19日 , 論文: 2012 , CV

    從 Figure 1–3、Sections 3–6 重讀 ReLU、多 GPU、overlapping pooling、資料增強與 dropout 的證據。

    90 秒掌握這篇論文
    問題
    60M-parameter CNN 即使有 1.2M images 仍會過擬合；也需要把訓練 recipe 與 competition result 分開解讀。
    核心想法
    以 random crop/flip、RGB PCA lighting jitter 與 dropout 擴增或正規化有效訓練分布，再用 SGD、momentum、weight decay 和 learning-rate schedule 讓 Part 1 的架構收斂。
    最強證據
    color augmentation 讓 top-1 error 降超過 1%，overlapping pooling 降 0.4/0.3 points；最終 ILSVRC-2010 37.5/17.0，2012 top-5 15.3（Section 4–6、Table 1）。
    邊界
    這些 ablation 多在當年的 architecture/data/compute 組合；不代表每個 modern vision model 都需要 ten-crop、LRN 或相同 learning-rate heuristic。
    進入完整精讀

  • AlexNet（上）：先用證據讀懂它為何改變 ImageNet

    入門 先建立方法閱讀底座
    AlexNet 精讀: Part 1 , 筆記: 2026年3月18日 , 論文: 2012 , CV

    以論文可定位證據重讀 AlexNet 的問題、評測與歷史性結果：它證明了什麼，也沒有證明什麼。

    90 秒掌握這篇論文
    問題
    在 2012 年，用百萬級高解析影像訓練深 CNN 同時受限於優化速度、GPU 記憶體與過擬合。
    核心想法
    AlexNet 不是單一「大網路」技巧，而是將卷積的局部歸納偏好、ReLU、兩張 GPU 的受限分割與可擴大的八層架構組成可訓練系統。
    最強證據
    ILSVRC-2010 的 top-1/top-5 error 為 37.5%/17.0%；2012 competition top-5 為 15.3%，次名為 26.2%（Section 6、Table 1）。
    邊界
    LRN、雙 GPU split 與部分 kernel 設計是當年硬體折衷；這篇不主張它們在現代 accelerator 或所有視覺任務仍是最佳選擇。
    進入完整精讀

歡迎演講、企業內部技術分享與架構交流；可以先查看我適合分享的主題與公開工程成果。

演講與聯絡