课程模块一：基础篇
通过本模块的学习，使学生理解计算机视觉的研究对象、发展脉络、一般处理流程、典型应用领域及与数字图像处理、模式识别、机器学习、深度学习之间的关系，建立对课程整体知识体系的初步认识。通过本模块的学习，使学生掌握计算机视觉任务中常用的软件库、开发框架与实验环境，理解深度学习的基础知识以及CNN、GAN、ViT、Diffusion、GNN、NAS 等在视觉中的基本思想，能够为后续任务实现搭建技术基础。
第1章 计算机视觉基础
1. 教学目标
通过本章学习，使学生了解计算机视觉的基本概念、发展历程、研究内容与典型应用；理解视觉系统的一般处理流程及输入输出形式；认识计算机视觉在智能制造、智能交通、医疗健康、安防监测、农业智能化等场景中的作用。
2. 教学重难点
（1）重点：计算机视觉的定义、处理对象、一般流程、相近研究领域、典型应用。
（2）难点：计算机视觉与数字图像处理、模式识别、机器学习、深度学习之间的联系与区别；从“像素处理”到“语义理解”的层次转变。
3. 教学内容
（1）计算机视觉简介
（2）计算机视觉的处理对象
（3）计算机视觉的一般处理过程
（4）计算机视觉的相近研究领域
（5）计算机视觉的典型应用
4. 教学过程与方法
教学过程：导入、新课讲解、案例讨论、总结布置任务
教学方法：讲授法、案例法、讨论法、任务驱动法
5. 课外阅读资料
计算机视觉基础教材或教师指定参考资料第一章相关内容。
6. 作业
围绕计算机视觉典型应用撰写小结，比较其与数字图像处理的异同。
第2章 计算机视觉的常用库与工具包
1. 教学目标
使学生了解并掌握 OpenCV、PyTorch、Torchvision、TensorFlow、OpenMMLab 等常用工具的基本功能和典型用法；能够完成图像读写、增强、数据集加载、模型调用与结果可视化等基本操作。
2. 教学重难点
（1）重点： OpenCV 图像基本操作、PyTorch 张量与自动求导、Torchvision 数据与模型接口、OpenMMLab 常用组件。
（2）难点： 不同框架的功能定位与配合使用；环境配置、依赖管理和实验复现。
3. 教学内容
（1）OpenCV 基本操作与图像处理
（2）PyTorch 基础操作与神经网络实现
（3）Torchvision 数据集、变换与模型
（4）TensorFlow 基本用法
（5）OpenMMLab 系列库简介
（6）其他常用视觉开发工具简介
4. 教学过程与方法
教学过程：讲授、演示、上机实践
教学方法：讲授法、实验法、案例法、任务驱动法
5. 课外阅读资料
相关工具官方文档、教学案例资料。
6. 作业
完成一个基础环境配置与图像分类示例复现。
第3章 深度学习基础
1. 教学目标
通过本章学习，使学生掌握深度学习在计算机视觉中的基础地位，理解卷积神经网络、生成对抗网络、视觉Transformer、多层感知机、扩散模型、图神经网络、神经架构搜索等基本原理及其在视觉中的应用背景。
2. 教学重难点
（1）重点：CNN的卷积、池化、归一化、激活函数；ViT的基本思想；GAN与Diffusion的生成机制。
（2）难点：不同深度学习模型的结构特点、适用任务与训练逻辑；模型发展脉络与技术联系。
3. 教学内容
（1）深度学习简介
（2）卷积神经网络（CNN）
（3）生成对抗网络（GAN）
（4）视觉注意力网络 / Vision Transformer（ViT）
（5）多层感知机（MLP）
（6）扩散模型（Diffusion Model）
（7）图神经网络（GNN）
（8）神经架构搜索（NAS）
4. 教学过程与方法
教学过程：导入、原理讲解、结构分析、实例演示
教学方法：讲授法、案例法、讨论法、任务驱动法
5. 课外阅读资料
深度学习与视觉模型相关章节、综述论文。
6. 作业
比较 CNN 与 ViT 在视觉任务中的特点，撰写简要分析报告。
课程模块二：分类与识别篇
通过本模块的学习，使学生系统理解视觉分类与识别问题的基本流程、常用数据集、评价指标、损失函数与典型方法，掌握图像分类、视频分类、细粒度分类、图像识别、OCR、人脸识别等任务的基本原理与实现思路。
第4章 视觉分类
1. 教学目标
使学生了解图像分类、视频分类、细粒度分类的任务定义、数据组织形式、评估方式和常用模型；能够理解分类网络的训练流程与优化思路。
2. 教学重难点
（1）重点： 图像分类流程、常用数据集、评价指标、损失函数、基于深度学习的分类方法。
（2）难点： 细粒度分类与一般分类的区别；分类模型泛化能力分析。
3. 教学内容
（1）图像分类
（2）视频分类
（3）细粒度分类
（4）视觉分类的实际应用
4. 教学过程与方法
教学过程：讲授、案例讲解、实验演示
教学方法：讲授法、案例法、讨论法、实验法
5. 课外阅读资料
视觉分类相关教材章节、经典分类模型论文。
6. 作业
完成一个基础图像分类实验，并分析准确率与损失变化。
第5章 视觉识别
1. 教学目标
通过本章学习，使学生理解图像识别、视频识别、细粒度识别、长尾识别、OCR、人脸识别等任务的原理、流程及典型应用，理解识别任务与分类任务的联系与差异。
2. 教学重难点
（1）重点： 图像识别与视频识别基本过程，OCR基本流程，人脸识别常用方法与评价指标。
（2）难点： 长尾分布问题、识别任务中的特征学习与类别不平衡问题。
3. 教学内容
（1）图像识别
（2）视频识别
（3）细粒度识别
（4）长尾识别
（5）光学字符识别（OCR）
（6）人脸识别
4. 教学过程与方法
教学过程：导入、新课讲解、案例分析、实验讲解
教学方法：讲授法、案例法、讨论法、任务驱动法
5. 课外阅读资料
OCR、人脸识别及识别任务综述资料。
6. 作业
围绕 OCR 或人脸识别完成一个文献阅读与应用分析作业。
课程模块三：检测与分割篇
通过本模块的学习，使学生掌握目标检测与图像分割的基本概念、算法框架、任务差异和应用方法，理解 Two-stage、One-stage、Anchor-free 等检测思路，掌握语义分割、实例分割、全景分割等任务及其常用模型与应用场景。
第6章 目标检测
1. 教学目标
通过本章学习，使学生了解目标检测任务的定义和技术路线，掌握 Two-stage、One-stage、Anchor-based、Anchor-free 等方法的基本思想，理解通用目标检测、小目标检测、交通目标检测等实际任务。
2. 教学重难点
（1）重点： 目标检测任务定义、评价指标、典型检测框架及应用场景。
（2）难点： 检测任务中的定位与分类联合优化、小目标检测的困难及改进思路。
3. 教学内容
（1）通用目标检测
（2）微小目标检测
（3）交通工具检测
（4）其他目标检测实例
4. 教学过程与方法
教学过程：讲授、模型结构解析、实验演示
教学方法：讲授法、案例法、实验法、任务驱动法
5. 课外阅读资料
目标检测经典模型与开源框架使用说明。
6. 作业
完成一个基础目标检测实验，比较不同检测模型的效果。
第7章 图像分割
1. 教学目标
通过本章学习，使学生理解语义分割、实例分割、全景分割以及医学图像分割、视频目标分割等任务的基本概念、典型方法与应用背景；能够初步完成分割任务模型训练和结果分析。
2. 教学重难点
（1）重点： 语义分割、实例分割、全景分割的区别及联系；常用分割模型与评价指标。
（2）难点： 像素级预测任务中的边界细化、类别不平衡和多尺度特征融合。
3. 教学内容
（1）语义分割
（2）实例分割
（3）全景分割
（4）医学图像分割
（5）视频目标分割
4. 教学过程与方法
教学过程：导入、原理讲解、案例演示、实验训练
教学方法：讲授法、案例法、实验法、讨论法
5. 课外阅读资料
图像分割相关教材章节及教师指定文献。
6. 作业
完成一个简单图像分割任务的数据准备、训练与结果可视化。
第8章 显著性目标检测
1. 教学目标
通过本章学习，使学生了解显著性目标检测的基本概念、研究意义与常用方法，掌握面向RGB 图像、RGB-D 图像、视频、光场及遥感图像的显著性检测基本思路。
2. 教学重难点
（1）重点： 显著性目标检测概念、显著特征建模、多模态信息融合。
（2）难点： 显著性与分割任务的联系；不同输入模态下特征融合方式。
3. 教学内容
（1）面向RGB图像的显著性检测
（2）RGB-D 图像显著性检测
（3）视频显著性检测
（4）面向光场图像的显著性检测
（5）联合显著性检测
（6）面向遥感图像的显著性检测
4. 教学过程与方法
教学过程：讲授、案例分析、专题讨论
教学方法：讲授法、案例法、讨论法
5. 课外阅读资料
显著性检测综述论文、相关数据集说明。
6. 作业
调研一种显著性目标检测方法并完成文献综述摘要。
第9章 伪装目标检测
1. 教学目标
使学生了解伪装目标检测的任务定义、发展历程、研究难点、常用数据集与典型网络结构，认识复杂场景下目标发现问题的挑战与应用价值。
2. 教学重难点
（1）重点： 伪装目标检测的概念、发展历程、基本网络结构与方法分类。
（2）难点： 伪装目标与背景高度相似条件下的特征提取和边界恢复问题。
3. 教学内容
（1）伪装技术与伪装目标检测概述
（2）伪装目标检测的发展历程与应用
（3）常用数据集
（4）基于 CNN 的伪装目标检测方法实例
4. 教学过程与方法
教学过程：导入、专题讲授、方法分析、总结
教学方法：讲授法、案例法、讨论法、任务驱动法
5. 课外阅读资料
伪装目标检测前沿论文及开源项目。
6. 作业
完成一个专题汇报，介绍伪装目标检测的研究现状与发展趋势。
