1手工特征、词袋与空间金字塔
闭卷重建手工特征、词袋与空间金字塔的对象、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线性分类器与决策边界
闭卷重建线性分类器与决策边界的对象、公式、算例、算法与失败边界。
3SVM间隔与核方法
闭卷重建SVM间隔与核方法的对象、公式、算例、算法与失败边界。
4概率校准与拒识
闭卷重建概率校准与拒识的对象、公式、算例、算法与失败边界。
5聚类、k-means与无监督评价
闭卷重建聚类、k-means与无监督评价的对象、公式、算例、算法与失败边界。
6分类评价、ROC与不平衡
闭卷重建分类评价、ROC与不平衡的对象、公式、算例、算法与失败边界。
7数据偏差、快捷特征与域迁移
闭卷重建数据偏差、快捷特征与域迁移的对象、公式、算例、算法与失败边界。
第 1 页 · 背面（答案）
对象：线性模型用w^T x+b划分特征空间；标准化、正则和类别权重决定边界与泛化。；公式：score=w^T x+b。；算例：w=(2,-1)、x=(3,4)、b=.5，score=2.5。；边界：在测试集调C；特征尺度差异使权重解释失真。。
对象：局部描述子量化为视觉词并统计，空间金字塔保留粗布局；量化误差与词表数据决定泛化。；公式：histogram_j=count(assign(descriptor)=j)，then normalize。；算例：8个描述子分到4词的计数[2,1,3,2]，L1归一为[.25,.125,.375,.25]。；边界：用全数据聚类造成泄漏；不同图像描述子数未归一化。。
对象：分类分数排序好不等于概率可信；校准映射置信度到经验正确率，并为高风险任务设置拒识。；公式：ECE≈Σ bin_weight×|accuracy-confidence|。；算例：一个占50%样本的bin准确.7、置信.9，对ECE贡献.1。；边界：用训练集校准；只降ECE却破坏类别排序未检查。。
对象：SVM最大化几何间隔并惩罚违例；核隐式比较高维特征但计算随样本增长。；公式：hinge loss=max(0,1-y score)。；算例：y=1、score=.3，hinge loss=.7。；边界：把训练准确率最高当最佳C；RBF尺度未配合特征标准化。。
对象：阈值改变TPR/FPR与精确率召回率；类极不平衡时PR曲线常比准确率更有解释力。；公式：TPR=TP/P，FPR=FP/N。；算例：P=100中TP=80，N=900中FP=90，TPR=.8、FPR=.1。；边界：只报AUC不指定阈值；负类太多时99%准确率无用。。
对象：k-means交替分配到最近中心并更新均值，只最小化欧氏平方误差且对初始化/尺度敏感。；公式：objective=Σ||x_i-mu_assignment||²。；算例：一维点1、3分同簇，中心为2，平方误差1+1=2。；边界：按标签选择最好聚类后称无监督；不同量纲未标准化。。
对象：模型可能依赖背景、水印、相机或采集流程而非目标因果特征；跨域切片和反事实能暴露快捷方式。；公式：deployment risk depends on divergence between train and target conditions。；算例：训练牛图都在草地、骆驼都在沙地，换背景后分类崩溃说明学到环境捷径。；边界：随机按图片划分让同场景近重复跨集；只增数据不改偏差。。