具身智能：原理、算法与系统 第6章 视觉感知与场景理解

目录

第6章 视觉感知与场景理解

6.1 视觉表示学习基础

6.1.1 从CNN到ViT：视觉骨干网络演进

6.1.2 自监督视觉表示：对比学习、掩码建模

6.1.3 多尺度特征金字塔

6.1.4 视觉预训练大模型

6.2 目标检测与分割

6.2.1 两阶段检测器：R-CNN系列

6.2.2 单阶段检测器：YOLO系列

6.2.3 实例分割：Mask R-CNN, SOLO

6.2.4 全景分割与统一架构

6.3 开放词汇与基础模型

6.3.1 CLIP：对比语言-图像预训练

6.3.2 开放词汇检测：Grounding DINO

6.3.3 分割一切：SAM与SAM 2

6.3.4 视觉提示与上下文学习

6.4 三维视觉感知

6.4.1 深度估计：单目、双目、多视图

6.4.2 点云处理：PointNet, PointNet++, Point Transformer

6.4.3 神经辐射场(NeRF)与3D高斯泼溅

6.4.4 显式vs隐式3D表示

6.5 动态视觉与视频理解

6.5.1 视频动作识别：I3D, SlowFast

6.5.2 目标跟踪：单目标、多目标、视觉目标跟踪

6.5.3 视频预测与物理直觉

6.5.4 视觉里程计与SLAM

第6章 视觉感知与场景理解

6.1 视觉表示学习基础

6.1.1 从CNN到ViT：视觉骨干网络演进

卷积神经网络（C