学习
第 1 课：目标检测全景综述与科研学习指南
从目标检测历史演进、分类与定位双重优化切入，详解边界框几何表示、广播矩阵向量化加速与 IoU 数学推导。
LEARNING LOG
学习
按主题整理课程、实践与复盘，不自动公开私人草稿。
学习
第 2 课：CNN 骨干网络原理与残差学习（ResNet 底层实现）
深入剖析经典卷积神经网络架构演进，推导感受野数学递推公式，剖析网络退化机理与 ResNet 残差学习，从零纯手写 BasicBlock 与 Bottleneck。
学习
第 3 课：Transformer 注意力机制与目标检测评测体系（mAP 全解）
推导 Scaled Dot-Product Attention 数学原理，剖析 COCO 数据集标注格式与 101 点插值积分算法，手写多头自注意力与 mAP 评测矩阵。
学习
第 4 课：视觉 Transformer 演进：从 ViT 到 Swin Transformer
剖析 Vision Transformer 二次方复杂度局限，推导 Swin Transformer 窗口注意力（W-MSA）与滑动窗口注意力（SW-MSA）的循环移位与掩码机制。
学习
第 5 课：两阶段经典检测器（Faster R-CNN 底层全流程）
从 Selective Search 到区域候选网络（RPN），手写多尺度 Anchor 生成器、RoIAlign 双线性插值与无量化误差映射，剖析快速 NMS 算法。
学习
第 6 课：多尺度特征金字塔（FPN、PANet 与特征多尺度融合）
剖析浅层空间细节与深层语义信息的内在矛盾，手写标准特征金字塔网络（FPN）Top-Down 侧向连接与通道对齐，实现多尺度目标感知。
学习
第 7 课：高级特征金字塔（BiFPN 与动态特征融合机制）
解析加权双向特征金字塔（BiFPN），推导快速归一化可学习融合权重，对比不同特征层贡献度，手写动态多尺度融合单元。
学习
第 8 课：前沿渐进式特征金字塔（AFPN 与 CFPN 上下文校准）
攻克跨尺度特征直接融合带来的语义鸿沟，推导渐进式多阶段融合（AFPN）与自适应空间融合（ASFF），拆解 CFPN 上下文校准模块与动态分发。
学习
第 9 课：生成式目标检测前沿（DiffusionDet 与去噪扩散概率模型）
转向传统判别式检测范式，将目标定位重构为从纯高斯随机白噪声到标注边界框的生成去噪过程。推导闭式解析加噪，剖析 Dynamic Head 动态交互去噪与天然无 NMS 特性。
学习
第 10 课：科研 Idea 提炼与创新魔改实操（模块魔改、损失函数升级与消融实验蓝图）
梳理输入端频域增强、骨干网轻量化与 Mamba、特征颈渐进融合、解耦头与 Wise-IoU 动态聚焦损失四大改进维度，建立 CCF-A/B 类会议论文消融实验三线表设计标准。
学习
第 11 课：会议 Paper 写作核心指南（Overleaf 在线排版、CCF-A 类会议规范与审稿返修全攻略）
解构 Abstract、Introduction、Related Work、Method、Experiments 五大核心章节倒金字塔论证逻辑链，掌握 Overleaf LaTeX 专业三线表与矢量图排版规范，制定 Rebuttal 答辩突围策略。