本文综述了机器学习兴起前主流的图像特征提取方法，包括SIFT、SURF、ORB等7种算法。SIFT具有尺度不变性但计算量大；SURF在保持性能的同时提升了速度；ORB结合FAST和BRIEF实现快速检测；HOG适用于静态物体检测。这些传统方法通过不同技术手段提取图像关键点和描述符，在旋转、尺度、光照变化等方面各具优势，为计算机视觉发展奠定了基础。随着技术进步，这些方法在实时性、精度等方面不断优化，

近年来，自动驾驶技术在全球范围内迅速发展，为日益严重的交通拥堵和道路安全相关挑战提供了有效解决方案。在各种范式中，端到端自动驾驶由于其简化的架构、增强的决策一致性以及出色的泛化能力，已经成为传统模块化系统的一个有前景的替代方案。本综述全面回顾了端到端自动驾驶的发展历程和核心技术，强调了模仿学习（IL）、强化学习（RL）等范式的应用与发展。此外，本文还重点介绍了由基础模型赋能的新兴范式，例如大型语言

CBAM（Convolutional Block Attention Module）是一种旨在提升卷积神经网络（CNN）性能的注意力机制模块。通过引入通道注意力（CAM）和空间注意力（SAM）机制，CBAM能够有效地提升模型的特征表达能力，专注于重要的通道特征和空间位置特征。其设计不仅轻量级且计算效率高，能在不增加模型复杂度的情况下显著改善性能。CBAM的即插即用特性使得它能够方便地集成到现有网络

本文综述了大型（视觉）语言模型（LLMs/VLMs）在自动驾驶（AV）领域的应用现状与发展趋势。文章系统分析了截至2025年9月的77篇文献，重点探讨了VLMs在模块化集成、端到端系统、数据生成三大方向的应用，并介绍了相关评估平台与数据集。研究表明，VLMs显著提升了AV的感知推理、决策规划和人机交互能力，但其实际部署仍面临计算效率、实时处理、模型幻觉等挑战。文章指出未来需重点解决延迟优化、安全验

其实这块就叫做YOLOv1的全连接层。其实YOLOv1的网络结构是借鉴了GoogleNet的，输入图像的尺寸为448×448，经过24个卷积层，2个全连接的层（FC），最后在reshape操作，输出的特征图大小为7×7×30。（4）综上所述，因此每个grid cell输出的数据维度为30×1，而7×7个方格输出的维度即为7×7×30。全连接层之前，特征已经被打乱了，原来好好的照片被叠成了一个砖块，

激活函数在神经网络中发挥着至关重要的作用，不仅能够处理复杂的非线性问题，还能提升网络的表达能力。通过引入激活函数，神经网络能够避免仅呈现为线性模型，从而有效提升其性能。常见的激活函数包括Sigmoid、Tanh、ReLU、Leaky ReLU等，它们各有优缺点，并适用于不同的场景。为了进一步优化神经网络性能，新的激活函数如PReLU、RReLU、ELU、SELU和Maxout等相继被提出，这些函数

在机器学习和深度学习的任务中，模型的性能评估至关重要，而评价指标则为我们提供了多角度的衡量标准。常见的分类模型评价指标包括精确率（Precision）、召回率（Recall）、F1-Score、IoU、置信度、AP（平均精度）和mAP（平均精度均值）等。每个指标侧重于不同方面的性能表现，如精确率衡量模型正确预测的比例，召回率则关注模型对真实对象的检测能力，IoU用于衡量预测框与真实框的重叠度，置信

在学习会议论文中的创新点时，我们主要探讨了深度学习模型的三类改进方法：模块改进、网络结构改进和损失函数改进。模块改进通常通过替换或优化现有模块（如卷积层、检测头等）来提升性能，适合初学者；网络结构改进则涉及调整骨干网和颈部网络以提高模型的特征提取和小目标检测能力，通常需要较强的基础；损失函数改进则分为现成应用、融合新方法和原创性改进，旨在优化模型训练过程中的目标函数。

本文讨论了消融实验在深度学习中的重要性，强调了通过逐步移除或修改模型组件来评估其对整体性能的贡献。文章指出，消融实验需要精心设计，包括选择合适的评估指标（如模型复杂度、准确度和实时性），并确保每个模块的加入能带来性能的提升。对于会议论文，建议通过逐步累加模块的方式进行实验，并简要阐述每个改进的效果，而不必详细列出每个数据变化。此外，消融实验可以与对比实验结合，以节省篇幅。 

本文介绍了两种模块应用策略：一种是直接使用现有模块并根据论文需求修改其结构图，另一种是通过将多个模块结合形成新的模块，提供了具体的操作步骤和示例。博文还推荐了几款绘图工具，特别是draw.io和PPT，因其易用性和丰富的模板，适合用于绘制论文中的神经网络结构图，并强调输出高分辨率图像的重要性。