核心要点

  • 分析光照：阴影、过曝、色温变化对特征的影响

  • 分析姿态：旋转、尺度、遮挡、视角变化

  • 提出数据增强、归一化、多尺度检测等对策

  • 区分传统特征与深度学习的鲁棒性

简要回答

光照变化挑战

  • 明暗对比改变边缘与纹理强度
  • 色温/白平衡导致颜色特征不稳定
  • 阴影造成假轮廓、高光饱和丢细节

姿态与几何挑战

  • 旋转/翻转：物体外观剧变（非严格平移）
  • 尺度：远近导致目标像素尺寸差数量级
  • 视角：3D 物体 2D 投影形变
  • 遮挡：部分可见破坏整体形状

传统方法局限：SIFT/HOG 对极端光照仍脆弱；

深度学习对策

  1. 数据增强：亮度、对比度、色调抖动

标准回答

光照变化挑战

  • 明暗对比改变边缘与纹理强度
  • 色温/白平衡导致颜色特征不稳定
  • 阴影造成假轮廓、高光饱和丢细节

姿态与几何挑战

  • 旋转/翻转：物体外观剧变（非严格平移）
  • 尺度：远近导致目标像素尺寸差数量级
  • 视角：3D 物体 2D 投影形变
  • 遮挡：部分可见破坏整体形状

传统方法局限：SIFT/HOG 对极端光照仍脆弱；需手工设计不变性。

深度学习对策

  1. 数据增强：亮度、对比度、色调抖动；随机旋转、缩放、裁剪（OpenCV / Albumentations）
  2. 归一化：per-channel mean/std；直方图均衡（慎用）
  3. 架构：CNN 层次特征、多尺度 FPN、旋转等变网络（RoIAlign）
  4. 训练策略：多域数据、域自适应、测试时增强 TTA

评测：除 mAP 外，应在不同光照/角度子集上分层评估。详见 目标检测。

常见误区

⚠️ 常见踩坑

只说「多收集数据」不说具体增强；混淆分类与检测；忽视域偏移（训练日光、测试夜景）。

追问

追问 1：颜色空间选 RGB 还是 HSV 做光照鲁棒？

HSV 的 V 通道对亮度变化相对分离，传统 CV 常用；深度学习端到端学特征，RGB+增强通常足够。红外/多光谱需专门通道设计。

追问 2：旋转不变性 CNN 天生具备吗？

旋转不变性并非 CNN 天生具备。传统卷积核只能捕获局部平移等变特征，对旋转角度变化缺乏内在鲁棒性。常见实现方式包括：数据增强（随机旋转训练样本）、旋转等变卷积核（如 Steerable CNNs）、空间变换网络（STN）以及 RoIAlign 等。工程上数据增强更实用，显式不变性会增加计算开销。生产环境常用数据增强加测试时增强（TTA）组合策略。

追问 3：夜间场景如何提升识别率？

夜间场景提升识别率的方法包括：低光增强预处理（直方图均衡化、Retinex 算法）、红外与可见光融合、合成夜景数据增强、域自适应技术（从日到夜的迁移学习）。注意数据增强可能引入伪影，会误导模型学习错误特征，需要谨慎使用。

延伸学习

与本题相关的知识库文章、术语、工具与行业资讯。

📚 知识库

📖 术语表

📰 AI 资讯

🛠️ AI 工具

  • OpenCV

    开源计算机视觉库，87,181+ stars。全球最广泛使用的计算机视觉库，提供 2500+ 优化算法，涵盖图像处理、目标检测、人脸识别、相机标定等领域。支持 C++、Python、Java，是 AI 视觉应用的基石。

🎯 相关面试题