课程知识架构全景图谱 (3 大教学模块 · 13 个知识单元 · 总计 32 课时)
各讲次均包含明确教学目标、重难点剖析、课时过程设计与配套实践任务
第一部分：图像处理基础（第 1 - 3 讲 · 共 8 课时）
奠定坚实的数理与算法基石 · 建立图像数字化矩阵思维与频域多尺度分析视角
(2课时)
数字图像表示与处理基础
【课时1】图像的数字化与矩阵表示（采样量化、信息丢失机制、Jupyter Notebook图像即矩阵认知）；【课时2】色彩空间与图像质量（RGB加色混合、HSV通道分离物体检测、MSE与PSNR量化评价体系）
(3课时)
空间域滤波与增强技术
【课时3】卷积原理与线性滤波（3×3滑动求和、边界补零镜像填充、均值与高斯滤波对比）；【课时4】非线性滤波与边缘检测（中值滤波椒盐去噪、梯度突变、Sobel抗噪 vs Laplacian细节）；【课时5】直方图处理与图像增强（累积分布函数映射、均衡化与过度增强分析）
(3课时)
频率域变换与频谱分析
【课时6】从傅里叶级数到傅里叶变换（周期无穷大极限推导、时频双重认知）；【课时7】图像的频域表征与频谱分析（中心直流分量、低频平滑 vs 高频边缘细节、亮斑分布）；【课时8】频域滤波与多尺度分析（卷积定理、理想/高斯低通高通滤波、振铃效应机制）
第二部分：机器学习基础理论（第 4 - 6 讲 · 共 8 课时）
实现从“手工特征”到“学习特征”的范式转换 · 构建泛化评估与网络优化体系
(2课时)
线性模型与分类理论
【课时9】线性回归与逻辑回归（最小二乘、Sigmoid概率映射、交叉熵损失推导）；【课时10】分类决策与优化基础（梯度下降参数迭代、感知机与支持向量机几何间隔、多分类Softmax）
(3课时)
模型选择与优化方法
【课时11】泛化能力与偏差-方差权衡（欠拟合/过拟合本质、交叉验证）；【课时12】正则化技术与模型约束（L1稀疏化、L2权重衰减、Dropout机制）；【课时13】优化算法进阶与超参数调优（带动量SGD、Adam自适应学习率、学习率衰减策略）
(3课时)
深度学习基础
【课时14】前馈神经网络与激活函数（多层感知机、非线性映射、Sigmoid/Tanh/ReLU对比）；【课时15】误差反向传播算法（链式法则、计算图误差逐层分配）；【课时16】网络训练技巧与正则化实践（权重初始化Xavier/Kaiming、批归一化BatchNorm、MNIST手写数字实战）
第三部分：计算机视觉前沿（第 7 - 13 讲 · 共 16 课时）
深度网络架构演进、序列建模、Transformer、目标检测分割、生成式 AI 与频域交叉融合
(2课时)
卷积神经网络架构设计
【课时17】卷积层与池化层核心设计（局部连接、权值共享、平移不变性）；【课时18】经典 CNN 架构解析与实现（LeNet-5、特征图维度计算、PyTorch框架搭建）
(2课时)
深度卷积网络演进与分析
【课时19】经典深度卷积网络演进（AlexNet突破、VGG堆叠卷积、Inception多尺度分支）；【课时20】残差网络与现代 CNN 架构（ResNet恒等映射解决退化、通道注意力SENet）
(2课时)
循环神经网络
【课时21】循环神经网络基础与时序建模（RNN计算图展开、梯度消失与爆炸、短期记忆衰退）；【课时22】门控循环网络与视频时序应用（LSTM遗忘门/输入门/输出门协作、GRU简化架构、视频帧序列预测）
(3课时)
自注意力与 Transformer 架构
【课时23】自注意力机制与并行计算革命（突破RNN顺序计算、QKV点积与缩放得分）；【课时24】Transformer 整体架构深度解析（位置编码、多头注意力、编码器解码器残差连接）；【课时25】Vision Transformer 与视觉任务应用（图像分块Patch Embedding、ViT分类与检测）
(3课时)
图像检测与分割
【课时26】目标检测两阶段与单阶段范式（从分类到定位、R-CNN/Faster R-CNN两阶段 vs YOLO单阶段网格直接回归）；【课时27】图像语义分割技术（FCN全卷积网络、跳跃连接上采样、U-Net架构）；【课时28】实例分割与高级应用（Mask R-CNN从“框住物体”到“勾勒轮廓”、RoIAlign精准对齐）
(2课时)
生成式模型
【课时29】生成对抗网络与对抗训练（伪造者与鉴定师博弈、极大极小优化、模式坍塌与DCGAN）；【课时30】变分自编码器与扩散模型（VAE连续隐空间重参数化、Diffusion马尔可夫加噪与U-Net逆向去噪生成对比）
(2课时)
频域方法在深度学习中的融合
【课时31】频域基础与深度表示（快速傅里叶变换FFT计算优势、频域特征表示与频域数据增强掩模）；【课时32】频域网络与可解释性分析（全频域/混合域网络设计、频域注意力机制、频率遮挡决策归因）