视觉基础模型（VFMs）是计算机视觉领域的通用预训练模型，通过自监督学习处理多样化视觉数据，具备零样本泛化和多模态能力。典型模型包括CLIP（图文对齐）、DINO（自监督特征提取）和SAM（通用图像分割）。VFMs显著减少标注依赖，可快速适配医疗、遥感等跨领域任务，其技术优势在于模型融合、持续预训练和3D理解发展。相比传统CV模型，VFMs具有更强的泛化能力和多模态处理特性。应用时需根据任务特性选

卷积块是CNN的基本构建单元，通常由卷积层、归一化层和激活函数（如Conv-BN-ReLU）组成。常见结构包括：标准卷积块（VGG）、多分支Inception模块（GoogLeNet）、残差块（ResNet）、密集连接块（DenseNet）以及轻量化的深度可分离卷积（MobileNet）。不同结构通过多尺度特征、残差连接或通道注意力等机制优化特征提取效率。设计时需权衡精度、速度和参数量，根据任务需

视觉基础模型（VFMs）是计算机视觉领域的通用预训练模型，通过自监督学习处理多样化视觉数据，具备零样本泛化和多模态能力。典型模型包括CLIP（图文对齐）、DINO（自监督特征提取）和SAM（通用图像分割）。VFMs显著减少标注依赖，可快速适配医疗、遥感等跨领域任务，其技术优势在于模型融合、持续预训练和3D理解发展。相比传统CV模型，VFMs具有更强的泛化能力和多模态处理特性。应用时需根据任务特性选

卷积块是CNN的基本构建单元，通常由卷积层、归一化层和激活函数（如Conv-BN-ReLU）组成。常见结构包括：标准卷积块（VGG）、多分支Inception模块（GoogLeNet）、残差块（ResNet）、密集连接块（DenseNet）以及轻量化的深度可分离卷积（MobileNet）。不同结构通过多尺度特征、残差连接或通道注意力等机制优化特征提取效率。设计时需权衡精度、速度和参数量，根据任务需

视觉基础模型（VFMs）是计算机视觉领域的通用预训练模型，通过自监督学习处理多样化视觉数据，具备零样本泛化和多模态能力。典型模型包括CLIP（图文对齐）、DINO（自监督特征提取）和SAM（通用图像分割）。VFMs显著减少标注依赖，可快速适配医疗、遥感等跨领域任务，其技术优势在于模型融合、持续预训练和3D理解发展。相比传统CV模型，VFMs具有更强的泛化能力和多模态处理特性。应用时需根据任务特性选

深度学习模型主要分为10大类：1)前馈神经网络(MLP)；2)卷积神经网络(CNN)，包括经典架构(ResNet)和轻量级模型(MobileNet)；3)循环神经网络(RNN/LSTM/GRU)，适用于时序任务；4)Transformer架构，主导NLP和视觉任务；5)生成模型(VAE/GAN/扩散模型)；6)图神经网络(GNN)；7)深度强化学习模型；8)自监督预训练模型；9)混合架构(CNN+