01
课程导论
多尺度特征提取与MobileViT融合的背景、应用场景与课程目标。
导论全景
02
卷积神经网络基础
卷积层、池化层、全连接层、感受野与参数共享。
CNN基础
03
经典CNN架构
LeNet、AlexNet、VGGNet、ResNet的设计思想与演进。
架构演进
04
多尺度特征提取概念
图像金字塔、特征金字塔网络(FPN)、空洞卷积。
多尺度FPN
05
Transformer基础
自注意力机制、多头注意力、位置编码、Transformer Encoder。
注意力编码器
06
Vision Transformer (ViT)
图像分块、Patch Embedding、CLS 、ViT架构详解。
ViT分块
07
轻量化模型设计
深度可分离卷积、MobileNet系列、ShuffleNet、EfficientNet。
轻量高效
08
MobileViT概述
MobileViT的动机、核心思想、与ViT和CNN的对比。
MobileViT对比
09
MobileViT模块详解
Local Representation、Transformer as Convolution、Fusion。
模块融合
10
多尺度特征提取在MobileViT中应用
多尺度Patch Embedding与特征融合策略。
多尺度Embedding
11
特征金字塔与MobileViT结合
构建多尺度MobileViT特征金字塔。
FPN金字塔
12
空洞卷积与MobileViT结合
扩大感受野，增强多尺度信息捕获。
空洞卷积感受野
13
注意力机制增强
通道注意力、空间注意力、自注意力在MobileViT中的融合。
注意力增强
14
数据预处理与增强
针对多尺度任务的图像缩放、裁剪、MixUp、CutMix策略。
增强MixUp
15
模型训练技巧
学习率调度、权重初始化、正则化、标签平滑。
训练技巧
16
损失函数设计
交叉熵损失、Focal Loss、Dice Loss在多尺度任务中的选择。
损失Focal
17
评估指标
准确率、召回率、F1-Score、mAP、IoU在多尺度任务中的应用。
指标mAP
18
图像分类实战
使用多尺度MobileViT进行CIFAR-100/ImageNet分类。
分类实战
19
目标检测实战
将多尺度MobileViT作为Backbone集成到YOLO/SSD中。
检测YOLO
20
语义分割实战
多尺度MobileViT在DeepLabV3+/UNet中的融合应用。
分割DeepLab
21
模型部署与优化
ONNX导出、TensorRT加速、量化与剪枝。
部署TensorRT
22
边缘端部署实战
将多尺度MobileViT部署到手机/嵌入式设备。
边缘嵌入式
23
消融实验设计
如何验证多尺度模块与MobileViT融合的有效性。
消融验证
24
超参数调优
网格搜索、随机搜索、贝叶斯优化在多尺度模型中的应用。
调优贝叶斯
25
迁移学习与微调
利用预训练的多尺度MobileViT进行下游任务微调。
迁移微调
26
多尺度特征可视化
Grad-CAM、特征图可视化、注意力图可视化。
可视化Grad-CAM
27
模型可解释性
分析多尺度MobileViT的决策依据与特征重要性。
可解释重要性
28
常见问题与调试
梯度消失、过拟合、训练不稳定、内存溢出等解决方案。
调试避坑
29
前沿进展
最新多尺度Transformer架构（Swin Transformer、PVT等）与MobileViT的对比。
前沿Swin
30
课程总结与项目实战
综合项目——构建一个多尺度MobileViT应用系统。
总结项目