《计算机视觉：从入门到精通》技术手册 第20章 基础模型（Foundation Models）与视觉大模型

目录

第20章 基础模型（Foundation Models）与视觉大模型

20.1 视觉基础模型概念

20.1.1 从专用模型到通用视觉模型

20.1.2 上下文学习与提示适应（Prompt Tuning）

20.1.3 模型规模与涌现能力

20.1.4 2024年视觉基础模型：SAM, DINOv2, EVA-02

20.2 Segment Anything Model（SAM）深度解析

20.2.1 图像编码器：ViT-H/16架构

20.2.2 提示编码器：点、框、掩码编码

20.2.3 轻量级掩码解码器设计

20.2.4 SAM 2（2024）：视频分割与实时性

20.3 自监督视觉预训练新范式

20.3.1 DINOv2：无监督视觉特征学习

20.3.2 iBOT与掩码图像建模结合

20.3.3 数据规模与模型扩展定律

20.3.4 2025年趋势：多模态统一预训练

第20章 基础模型（Foundation Models）与视觉大模型

基础模型代表了人工智能领域的重要范式转变，通过在大规模无标注数据上进行预训练，获得可迁移至下游任务的通用表示能力。与传统针对特定任务设计的专用模型不同，基础模型展现出强大的涌现能力与上下文学习能力，能够在极少标注数据甚至零样本条件下适应新任务。在计算机视觉领域，视觉基础模型通过自监督学习、对比学习与大模型扩展，逐步实现了从特定视觉任务到通用视觉理解的跨越，为图像分类、目标检测、语义分割、视频理解等广泛任务提供了统一的特征提取 backbone。