【声纳与人工智能融合——从理论前沿到自主系统实战（进阶篇）】第3章 跨模态桥梁：连接器设计与对齐机制

目录

3.1 视觉-语言投影器的架构 Variants

3.1.1 线性投影与多层感知机（MLP）

3.1.2 查询-Transformer（Q-Former）机制

3.1.3 参数高效的多模态适配

3.2 跨模态对齐的训练策略

3.2.1 预训练阶段的对齐目标

3.2.2 细粒度对齐的数据集重建

3.1 视觉-语言投影器的架构 Variants

3.1.1 线性投影与多层感知机（MLP）

3.1.1.1 单层线性映射的极简设计（LLaVA方案）

LLaVA采用单层线性投影矩阵实现视觉到语言空间的直接映射。视觉编码器输出的特征矩阵经展平后，通过可学习的权重矩阵线性变换至语言模型的输入嵌入维度。该方案假设视觉特征空间与语言语义空间之间存在近似线性对齐关系，忽略非线性扭曲带来的模态差异。投影参数的初始化采用零均值高斯分布，标准差与