本科数据科学与大数据技术专业《图分析与计算机视觉：经典算法与跨学科实践》教学设计

本科数据科学与大数据技术专业《图分析与计算机视觉：经典算法与跨学科实践》教学设计

  一、课程总体定位与理念阐述

  本课程面向数据科学与大数据技术专业本科三年级学生开设，处于专业核心课程序列的进阶位置。学生已先行修毕《数据结构》、《算法设计与分析》、《线性代数》、《概率论与数理统计》以及《Python高级编程》等前置课程，具备了必要的数学基础、编程能力与初步的算法思维。本课程旨在深度融合图论理论与计算机视觉领域，引导学生超越单一算法认知，建立对图形（此处“图形”广义涵盖二维数字图像、三维几何模型以及复杂关系图网络）信息处理算法体系的整体性、结构性理解。课程设计秉持“计算思维驱动、跨学科问题锚定、工程伦理并重”的核心教育理念，强调算法原理的数学本质洞察、算法性能的辩证评估以及算法应用的社会语境考量。通过本课程学习，学生将能够系统掌握从底层像素/点云操作到高层语义理解的关键算法集群，并具备在生物信息学、社交网络分析、数字人文、自动驾驶、遥感监测等跨学科场景中设计、实现、优化与批判性评估图形信息处理解决方案的综合能力，为从事前沿科研或高端产业研发奠定坚实的理论基础与实践素养。

  二、课程核心学习目标

  （一）深度知识建构目标：学生将能够严谨阐释卷积运算、傅里叶变换、图卷积网络、随机游走、梯度下降优化、特征值分解等核心数学工具在图形信息处理中的原理与作用；能够形式化描述经典算法（如Canny边缘检测、SIFT特征提取、PageRank、GraphSAGE、MaskR-CNN等）的步骤、时间复杂度与空间复杂度；能够辨析不同算法（如基于深度学习的图像分割与传统分水岭算法）在理论基础、性能边界与适用场景上的根本性差异。

  （二）高阶思维能力目标：学生将能够针对给定的跨学科真实问题（如病理切片细胞核分割、城市交通流量预测、古代书法字迹风格分析），自主完成问题抽象、数据表征形式选择（图像、图结构或混合模型）、算法选型与链路设计、实验验证方案制定等全流程；能够运用消融实验、可视化分析、统计检验等方法对算法结果进行归因分析与可信度评估；能够预见并批判性讨论算法应用可能带来的偏见放大、隐私侵蚀、社会公平等伦理挑战。

  （三）综合实践应用目标：学生将能够熟练运用PyTorch、TensorFlow、OpenCV、NetworkX、PyTorchGeometric等主流开发框架与库，实现、调试并优化中等复杂度的图形处理算法；能够以团队形式协作完成一个涵盖数据获取与清洗、算法创新性改进或集成、系统化性能评估、可视化呈现及项目报告撰写的综合性研究项目；能够以符合学术规范与工程标准的方式进行代码管理、文档编写与成果展示。

  三、教学内容模块与资源架构

  本课程内容划分为四大模块，遵循“从局部到全局、从规则到非规则、从感知到认知”的认知逻辑递进。

  模块一：图像信息的低层处理与特征表述。核心内容包括：数字图像的数学表示与色彩空间；图像增强（直方图均衡化、同态滤波）；图像滤波与多尺度分析（线性滤波、非线性滤波、高斯金字塔、拉普拉斯金字塔）；经典特征检测（Harris角点、SIFT、SURF、ORB）；边缘检测（Canny、Sobel、LaplacianofGaussian）。核心资源包括：经典教材《DigitalImageProcessing》相关章节；OpenCV官方文档与源码案例；Kaggle上关于图像增强的竞赛数据集。

  模块二：图结构数据的表示与基础算法。核心内容包括：图的数学定义与计算机表示（邻接矩阵、邻接表、边列表）；图遍历与连通性分析（BFS、DFS、连通分量）；最短路径算法（Dijkstra、Floyd-Warshall）；图匹配与相似度计算；网络中心性度量（度中心性、接近中心性、中介中心性、特征向量中心性、PageRank）。核心资源包括：网络科学经典著作《Networks,Crowds,andMarkets》部分章节；StanfordNetworkAnalysisProject(SNAP)数据集库；NetworkX与igraph库的教程。

  模块三：基于深度学习的图像理解。核心内容包括：卷积神经网络（CNN）的架构演进（LeNet、AlexNet、VGG、ResNet、DenseNet）；目标检测框架（R-CNN系列、YOLO系列、SSD）；图像分割技术（FCN、U-Net、MaskR-CNN、DeepLab系列）；生成模型在图像处理中的应用（自编码器、生成对抗网络GAN、扩散模型）。核心资源包括：深度学习经典教材《DeepLearning》相关章节；PyTorch和TensorFlow官方教程与模型库；COCO、PASCALVOC、ImageNet等大型公开数据集。

  模块四：图神经网络与跨模态学习。核心内容包括：图神经网络（GNN）的基本原理（消息传递范式）；代表性图神经网络架构（GCN、GraphSAGE、GAT、GIN）；图表示学习（Node2Vec、DeepWalk、Graph2Vec）；图生成模型；图与图像/文本的跨模态对齐与联合分析（如视觉问答、图文检索）。核心资源包括：国际顶级会议（ICLR、NeurIPS、CVPR）近年关于GNN与多模态学习的优秀论文；PyTorchGeometric(PyG)和DeepGraphLibrary(DGL)官方示例；OGB(OpenGraphBenchmark)基准数据集。

  四、教学实施过程详案（以16周，每周3学时，共48学时为例）

  第一至二周：课程导论与图像处理数学基础重构。

  课前，学生通过课程平台观看微视频，回顾线性代数中的矩阵运算、卷积定义，以及概率论中的基本分布概念，并完成在线测试。课中，教师首先不直接讲授算法，而是抛出三个驱动性问题：“如何用数学语言‘描述’一幅蒙娜丽莎画像？”“如何让一张雾天拍摄的照片变得清晰？”“计算机如何‘看见’图像的轮廓？”引导学生分组讨论，将问题逐步引向图像的函数表示（I=f(x,y)）、频域变换与梯度计算。教师精讲图像作为二维离散函数的本质，并现场编码演示如何通过改变函数值（像素操作）实现亮度调整，通过卷积模拟模糊与锐化。核心互动是“盲盒滤波挑战”：每组学生得到一个未知的卷积核，要求他们通过将其应用于标准测试图像，观察效果并反推该卷积核的可能用途（如边缘检测、平滑、浮雕）。课后作业是编程实现一个简单的图像处理管道，读取图像，应用至少三种不同的点操作和空间滤波，并提交处理前后对比图及简短分析报告。

  第三至四周：从图像局部特征到图结构构建。

  承接上周的边缘检测内容，教师提出新问题：“检测到的边缘点或角点，彼此之间有何关系？如何表达这种关系？”引入“特征描述子”概念，详解SIFT算法如何将局部图像patch转换为一个鲁棒的高维向量。随后，转折性地引导学生思考：如果我们把每个特征点视为一个“节点”，把点之间的某种关系（如空间邻近性、描述子相似性）视为“边”，那么一副图像就可以被转化为一个“图”。这是一个关键的认知跃迁点。课堂活动是“图像转图结构”工作坊：学生使用OpenCV提取图像的SIFT特征点，然后自行设计规则（如K近邻、相似度阈值）构建特征点之间的关系图，并用NetworkX进行可视化。不同小组比较基于不同规则构建的图在结构属性（平均度、聚类系数）上的差异，讨论哪种规则对后续任务（如图像匹配）更有利。课后任务是实现一个基于图匹配的简易图像检索系统，对比基于暴力匹配和基于图结构匹配的性能差异。

  第五至七周：深度学习赋能图像理解——卷积神经网络深度剖析。

  此阶段采用“翻转课堂+代码剖析”模式。学生课前自学CNN基础原理视频，并运行一个预训练好的CNN模型（如ResNet-18）进行图像分类。课中，教师不重复基础知识，而是带领学生逐层“解剖”一个CNN模型。使用特征可视化工具（如CNN滤波器可视化、激活最大化）展示浅层卷积核如何捕捉边缘、纹理，深层特征图如何对应语义部件。核心探究活动是“破坏与重建实验”：各组学生选择一种方式（如丢弃某些卷积层、冻结部分参数、加入随机噪声）来“破坏”一个训练好的CNN，观察模型性能的变化，并尝试解释原因。教师进而引入目标检测与分割问题，引导学生理解如何将分类网络扩展为定位与分割网络，分析FasterR-CNN中区域建议网络（RPN）与YOLO中网格划分思想的异同。课后项目是使用迁移学习，在一个小规模医学影像数据集上训练一个肺炎X光片分类模型，并撰写技术报告，重点分析数据不足下的过拟合问题及解决方案。

  第八至九周：图神经网络——处理非欧数据的利器。

  教师创设认知冲突：社交网络、分子结构、知识图谱都是图，它们无法用传统的CNN直接处理，为什么？引导学生回顾CNN的核心假设（平移不变性、局部连接性），并指出这些假设在非规则的图数据上不再成立。由此自然引出图神经网络的消息传递范式。教师以分子性质预测为例，讲解如何将原子作为节点，化学键作为边，原子类型作为节点特征，输入GNN进行训练。课堂核心是“手推消息传递”：教师给出一个简单的具体小图，学生分组在纸上手动模拟GCN一层前向传播的计算步骤，深刻理解“聚合邻居信息”这一核心操作。随后，比较GCN、GraphSAGE（采样邻居）和GAT（注意力加权）在聚合方式上的创新。课后实践是使用PyG在Cora引文数据集上实现节点分类，并与传统的基于特征向量中心性的方法进行比较。

  第十至十二周：跨学科项目式学习启动与中期指导。

  学生自由组成3-4人项目小组，从教师提供的跨学科项目清单中选择或自拟课题。清单示例：项目A（生物信息学）：基于细胞成像图的细胞类型分类与组织分割；项目B（社交网络分析）：基于学术合作者网络的有影响力学者发现与社区演化分析；项目C（数字艺术）：利用风格迁移与生成对抗网络创作融合特定画家风格与古诗词意境的数字画作；项目D（智慧城市）：基于街景图像与道路拓扑图的城市区域功能识别与可达性评估。此后的三周内，课堂教学时间主要转化为项目工作坊和小组指导。教师讲解项目管理的核心要素（问题定义、文献综述、技术路线图、里程碑设定）。各组在课堂上进行开题报告，接受师生质询。教师提供一对一或小组指导，帮助学生解决技术选型、数据获取、实验设计中的具体困难。要求学生建立GitHub仓库进行代码版本管理，并使用在线协作文档撰写项目日志。

  第十三至十四周：高级议题探讨与伦理反思。

  在项目推进的同时，课堂教学聚焦前沿与伦理。内容包括：生成式AI在图形创作中的应用（扩散模型原理）、自监督学习在图形数据上的进展、图神经网络的可解释性方法（GNNExplainer）。特别设立“算法伦理研讨会”。教师提供案例：人脸识别技术中的种族与性别偏见、基于社交网络的信用评分对边缘群体的影响、深度伪造技术的社会危害。学生分组选择案例进行研读，从技术根源（有偏数据集、算法设计缺陷）、社会影响、监管与治理角度进行辩论。课后，每位学生需提交一份关于自己项目可能涉及的伦理风险的简短分析报告，并提出缓解措施。

  第十五周：项目成果展示与答辩。

  举办课程项目“学术海报展”或“技术发布会”。每个小组准备10分钟的口头报告、演示视频或交互式Demo，以及一份项目海报或详细技术报告。邀请本专业其他教师、相关领域研究生或企业工程师作为评委。评审标准包括：问题的创新性与跨学科性、技术方案的合理性与完整性、实验评估的严谨性、成果的可视化效果、团队协作与答辩表现。设置观众提问环节，促进全体学生的深度交流。

  第十六周：课程总结、反思与未来展望。

  教师带领学生绘制本课程的知识图谱，将图像处理、图论算法、深度学习、GNN等核心概念有机串联，回顾其内在联系与发展脉络。学生进行个人学习反思，分享最大的收获、遇到的挑战以及未来的学习计划。教师展示图形信息处理算法在元宇宙、自动驾驶、AIforScience等前沿领域的最新突破，激励学生持续探索。最后，进行课程综合评价与反馈收集。

  五、教学策略与学习方法体系

  本课程采用多维融合的教学策略，以支撑高阶学习目标的达成。认知建构策略：广泛运用“对比-辨析”法，如对比传统图像分割与基于深度学习的分割，对比CNN与GNN的核心归纳偏置，促使学生在差异中深化理解。问题驱动策略：所有知识点均源自真实、复杂、跨学科的问题情境，使学习始终具有明确的指向性和意义感。协作探究策略：通过小组项目、工作坊、同伴互评，构建学习共同体，在互动、质疑与协作中推进知识的社会性建构。元认知培养策略：通过要求学生撰写实验分析、项目日志、伦理反思报告，不断促进其对自身思维过程、学习方法和价值判断的监控与调整。在学习方法上，强调“编码即思考”，将编程实践作为理解算法不可或缺的环节；强调“文献作为工具”，引导学生快速检索、筛选、批判性阅读顶级会议/期刊论文以获取最新方案；强调“可视化作为语言”，训练学生使用图表、网络图、特征热力图等工具清晰表达复杂算法过程与结果。

  六、学习评估与反馈机制

  评估体系采用过程性评估与终结性评估相结合、量化指标与质性评价相补充的多维模式，旨在全面、公正地衡量学生的学习成效与发展。

  （一）过程性评估（占总评60%）：

  1.个人平时作业（20%）：共4-5次，聚焦对核心算法原理的实现与简单应用。评估重点为代码的正确性、效率、注释清晰度以及书面回答的准确性。

  2.个人阅读与反思笔记（10%）：针对指定的前沿论文或伦理案例，提交批判性阅读笔记，评估其对技术要点的提炼能力、逻辑思辨深度与文字表达。

  3.小组项目（30%）：细化评分项包括：开题报告（5%）、中期检查（5%）、最终成果（10%，含代码、报告、演示）、团队协作记录（5%）、答辩表现（5%）。引入同行互评机制，小组成员间对贡献度进行背对背评价，作为个体分数调整的依据。

  （二）终结性评估（占总评40%）：

  期末考试采用“开卷+项目式试题”形式。试卷不设简单记忆类题目，全部为综合分析与设计题。例如：“给定一个城市地铁站点网络图（节点为站点，边为线路）和每个站点的实时客流影像截图，请设计一个集成方案，预测未来一小时内全网的关键拥堵点。请阐述所用到的图算法和视觉算法，如何融合多模态数据，并分析方案的潜在局限与计算开销。”此类题目考察学生融会贯通、灵活运用知识解决复杂问题的能力。

  （三）反馈机制：建立即时、持续、多维的反馈循环。利用在线平台实现作业的自动评分与共性错误分析；对编程作业和项目进展，安排定期的代码审查与一对一答疑；在项目各里程碑设置教师书面反馈与小组会议反馈环节；期末考试后，教师提供整体的试卷分析与学习建议，帮助学生明确后续提升方向。

  七、课程特色与创新点总结

  本课程设计的核心特色与创新体现于以下三个维度：

  一是在知识组织上，突破了传统课程中“图像处理”与“图论算法”彼此割裂的藩篱，以“信息处理”为统一视角，以“从数据表征到算法适配”为逻辑主线，创造性整合了针对规则网格数据（图像）和非规则关系数据（图）的两大算法体系。这种整合不仅拓宽了学生的技术视野，更培养了其根据问题本质选择数据模型与工具链的元能力。

  二是在教学范式上，彻底摒弃了算法罗列与公式堆砌，代之以“跨学科真实问题”作为贯穿始终的锚点。从医学影像到社交网络，从数字艺术到智慧城市，所有理论学习都植根于具体应用场景，使抽象算法具象化，极大激发了学生的内在学习动机，并天然孕育了跨学科思维。

  三是在育人目标上，超越了单纯的技术技能传