视觉特征融合的五种经典玩法：FPN、PANet、BiFPN、ASPP 与 Non-local
从跨层金字塔、双向路径、可学习加权，到层内多尺度上下文和全局依赖，理解五种经典视觉特征融合模块的差异与适用边界。
#计算机视觉#特征融合#目标检测#语义分割#FPN#BiFPN
多模态与视觉
从图像与视频理解，到视觉语言模型和图像生成。
博客目录 →专栏文章
共 11 篇视觉 Token 压缩：ToMe、FastV、EViT 与 DiffRate
从重要性剪枝、相似度合并到可学习压缩率，理解视觉 token 压缩的位置、训练要求，以及 FLOPs 降低为何不等于推理同比加速。
#多模态#视觉Token#模型加速#ToMe#FastV#EViT#DiffRate
多模态模型的视觉前端与对齐策略：CLIP、SigLIP、DINOv2、Q-Former 与 MLP
从视觉编码器到跨模态连接器，梳理图文预训练、视觉特征融合与语言模型对齐，并延伸到 VLA 的离散动作和连续动作生成。
#多模态模型#CLIP#SigLIP#DINOv2#Q-Former#VLA
视频时序建模：从 C3D、I3D、TSM 到 TimeSformer 与 VideoMAE
从三维卷积、权重膨胀、时序移位到分解注意力和掩码预训练，理解五种经典视频建模方法的机制、边界与工程取舍。
#视频理解#时序建模#C3D#I3D#TSM#TimeSformer#VideoMAE
视觉位置编码：RoPE、ALiBi 与 2D-RoPE 的 1 分钟速通
从 Transformer 为什么需要位置，到 RoPE 的旋转、ALiBi 的线性偏置和视觉 2D-RoPE 的行列坐标，理解图像与多模态模型如何知道 token 在哪里。
#视觉位置编码#RoPE#ALiBi#2D-RoPE#Vision Transformer#多模态模型