1计算机视觉任务与证据链
闭卷重建计算机视觉任务与证据链的对象、公式、算例、算法与失败边界。
计算机视觉 · 小纸条
选一章打印。双面打印（按长边翻页）后沿虚线剪开，每张卡片正面题目、背面答案。
第 1 页 · 正面（题目）
2数字图像、采样与量化
闭卷重建数字图像、采样与量化的对象、公式、算例、算法与失败边界。
3颜色、辐射度与伽马
闭卷重建颜色、辐射度与伽马的对象、公式、算例、算法与失败边界。
4图像坐标、索引与插值
闭卷重建图像坐标、索引与插值的对象、公式、算例、算法与失败边界。
5视觉中的向量、矩阵与张量
闭卷重建视觉中的向量、矩阵与张量的对象、公式、算例、算法与失败边界。
6视觉概率、贝叶斯与不确定性
闭卷重建视觉概率、贝叶斯与不确定性的对象、公式、算例、算法与失败边界。
7数据划分、指标与基线
闭卷重建数据划分、指标与基线的对象、公式、算例、算法与失败边界。
第 1 页 · 背面（答案）
对象：连续辐照度经空间采样和幅值量化成为有限数组；分辨率不等于真实细节，采样前需低通。；公式：Nyquist condition: sampling frequency≥2×highest signal frequency。；算例：条纹最高频率20 cycles/mm，采样至少40 samples/mm才避免理想混叠。；边界：只增大保存尺寸冒充细节；下采样前不滤波产生摩尔纹。。
对象：视觉系统把光学场景经传感器变成像素，再从像素估计几何、类别、位置、关系或动作；每层都有不可辨识性。；公式：decision evidence=scene assumptions+image formation+data+algorithm+metric。；算例：同一灰色像素既可能来自白物体处于阴影，也可能来自灰物体处于亮处，仅凭亮度不能唯一恢复反射率。；边界：把高置信预测当客观事实；光照变化后同一物体被判为另一类。。
对象：数组行列、像素中心、归一化坐标和几何坐标约定不同；变换后通常落在非整数位置需插值。；公式：bilinear value=Σ four-neighbor weights×values，weights sum to 1。；算例：四邻值0、10、20、30且等权，插值为15。；边界：把(x,y)误当(row,column)；前向映射留下孔洞。。
对象：传感器记录与曝光、光谱响应和颜色空间有关；sRGB编码值不是线性光能，颜色转换需白点和范围。；公式：linear intensity≈encoded_value^gamma after normalization。；算例：归一化编码0.5、近似gamma=2时，线性强度约0.25而非0.5。；边界：直接在sRGB上平均光照；把不同白平衡图像的RGB值直接比较。。
对象：像素噪声、遮挡与类别歧义要求输出条件概率或后验，不确定性需区分数据噪声和模型未知。；公式：posterior∝likelihood×prior。；算例：先验P(cat)=0.2，证据似然cat为0.9、非cat为0.1，未归一cat权重0.18。；边界：只报softmax最大值；训练分布外仍给接近1的置信度。。
对象：图像是张量，坐标变换、卷积和特征投影依赖线性代数；维度与坐标基必须逐步检查。；公式：matrix composition y=A(Bx)=(AB)x。；算例：二维点先放大2倍再平移不能仅用2×2矩阵统一，齐次3×3矩阵可组合。；边界：左右乘顺序颠倒；广播成功却语义维度错位。。
对象：训练/验证/测试必须按真实部署单位隔离；准确率、精确率、召回率、IoU等回答不同问题。；公式：precision=TP/(TP+FP)，recall=TP/(TP+FN)。；算例：TP=80、FP=20、FN=40，precision=.8，recall=2/3。；边界：同一视频相邻帧跨训练测试造成泄漏；只报总体准确率掩盖稀有类。。