本篇博客介绍了BLIP-2 ，这是一种面向通用多模态任务的高效视觉语言预训练框架，其核心思想是在冻结大语言模型的前提下，通过引入一个可训练的查询变换器（Q-Former），实现视觉特征与语言输入之间的有效桥接。该方法针对传统多模态模型训练成本高、跨模态对齐难的问题，提出了一个两阶段架构：首先训练一个融合视觉信息的 Q-Former，以少量计算资源学习从图像中提取语言相关的视觉语义；其次将其输出作为

本篇博客介绍了Vision Transformer（ViT），这是一种突破性的图像分类模型，其核心思想是将图像分割为固定大小的块（如16×16像素），并将这些块序列化后输入标准的Transformer架构，从而替代传统卷积神经网络（CNN）对视觉特征的局部归纳偏置依赖。

这篇博客介绍了 DeepLab V3 模型，这是一种基于深度学习的语义分割模型，旨在解决图像中多尺度物体的像素级分类问题。其核心思想是通过空洞卷积（Atrous Convolution）在不降低分辨率的前提下扩大感受野，并结合改进的ASPP模块（Atrous Spatial Pyramid Pooling）捕获多尺度上下文信息，有效解决了传统方法中因分辨率损失和上下文不足导致的分割精度下降问题。该

U-NetU-Net采用对称的编码器-解码器设计，编码器通过卷积和池化操作提取特征，解码器通过上采样和卷积操作恢复分辨率。这种架构允许U-Net进行端到端训练，并有效地从有限的数据集中学习。U-Net最初用于医学图像分割（如细胞分割、肿瘤检测），但其高效的架构和强大的性能使其迅速扩展到其他领域，包括：卫星图像分析、工业检测、自然图像处理等。尽管存在一些局限性，但通过不断的改进和优化，U-Net及其

U-NetU-Net采用对称的编码器-解码器设计，编码器通过卷积和池化操作提取特征，解码器通过上采样和卷积操作恢复分辨率。这种架构允许U-Net进行端到端训练，并有效地从有限的数据集中学习。U-Net最初用于医学图像分割（如细胞分割、肿瘤检测），但其高效的架构和强大的性能使其迅速扩展到其他领域，包括：卫星图像分析、工业检测、自然图像处理等。尽管存在一些局限性，但通过不断的改进和优化，U-Net及其