1图像分类、softmax与交叉熵
闭卷重建图像分类、softmax与交叉熵的对象、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类别不平衡、采样与损失
闭卷重建类别不平衡、采样与损失的对象、公式、算例、算法与失败边界。
3边界框、IoU与坐标变换
闭卷重建边界框、IoU与坐标变换的对象、公式、算例、算法与失败边界。
4NMS与重复检测
闭卷重建NMS与重复检测的对象、公式、算例、算法与失败边界。
5锚框、正负样本与回归
闭卷重建锚框、正负样本与回归的对象、公式、算例、算法与失败边界。
6两阶段与单阶段检测器
闭卷重建两阶段与单阶段检测器的对象、公式、算例、算法与失败边界。
7检测mAP、误差分析与部署
闭卷重建检测mAP、误差分析与部署的对象、公式、算例、算法与失败边界。
第 1 页 · 背面（答案）
对象：长尾数据下整体损失由多数类主导；重采样、类别权重和focal loss改变优化目标并可能影响校准。；公式：weighted loss=class_weight_y×loss。；算例：少数类权重4、原损失.3，加权1.2。；边界：把测试集也平衡后报告部署准确率；重复采样造成过拟合未监控。。
对象：分类把整图映到互斥或多标签分布；softmax对数平移不变，交叉熵惩罚真类低概率。；公式：cross entropy=-log p_true。；算例：真类概率0.8，损失约0.223。；边界：多标签任务仍用softmax互斥；直接exp大logit溢出。。
对象：NMS按分数保留框并抑制高IoU邻居；阈值会在重复框与密集目标漏检间权衡。；公式：suppress if IoU(candidate,kept)>threshold。；算例：三个框A/B IoU=.8、A/C=.1，阈值.5且A最高，抑B保C。；边界：跨类别错误互相抑制；密集人群阈值照搬通用数据。。
对象：检测框可用角点或中心宽高表示；裁剪、缩放、翻转必须同步坐标，IoU度量重叠而非中心距离。；公式：IoU=intersection/union。；算例：两个面积100的框交集50，并集150，IoU=1/3。；边界：归一化坐标与像素混用；框裁剪后出现负宽高。。
对象：两阶段先提候选再分类回归，单阶段密集预测；速度、召回、显存和小目标表现需同口径比较。；公式：end-to-end latency=preprocess+model+postprocess。；算例：预处理5ms、模型30ms、NMS10ms，总45ms而非只报30ms。；边界：只比较论文FLOPs；漏掉解码与数据搬运。。
对象：锚框方法把位置/尺度离散为候选，按IoU匹配正负并回归偏移；匹配策略决定监督质量。；公式：t_x=(x_gt-x_anchor)/w_anchor，t_w=log(w_gt/w_anchor)。；算例：anchor中心10宽20，gt中心14宽40，tx=.2、tw=ln2。；边界：正负阈值留空样本未处理；增强后gt与anchor坐标系不同。。
对象：AP按类别和IoU阈值汇总排序质量；部署还需分析漏检、定位、分类、重复和延迟失败。；公式：mAP=mean AP across declared classes/IoU thresholds。；算例：三类AP为.6、.75、.9，mAP=.75。；边界：只报单个IoU=.5；过滤低质样本后再评。。