视觉模型领域演变

以下是视觉领域模型演进的结构化总结，结合技术、功能、性能及典型应用场景：

---

一、技术变化：从手工设计到多模态大模型
1.传统阶段（2010年前）

• 手工特征提取：依赖SIFT（尺度不变特征变换）、HOG（方向梯度直方图）等人工设计的特征描述子，结合SVM等浅层模型完成图像分类与检测，但难以处理复杂场景。
• 局限性：依赖人工经验，泛化能力差，错误率高达25%。

2.深度学习革命（2012-2020）

• CNN崛起：AlexNet（2012）通过卷积神经网络（CNN）在ImageNet竞赛中错误率降至16%，后续ResNet（残差结构）、Inception（多尺度卷积）等模型突破深度与效率瓶颈，错误率进一步降至5%。
• 局限性：局部感受野限制全局理解，需多模型并行处理不同任务（如YOLO检测、U-Net分割）。

3.Transformer与多模态融合（2020至今）

• 全局建模：ViT（2020）将图像划分为patches输入Transformer，实现跨模态建模；Swin Transformer（2021）通过窗口化机制平衡局部与全局。
• 跨模态交互：CLIP（2021）通过对比学习对齐图像-文本特征，支持“以文搜图”；SAM（2023）通过点/框提示实现通用分割。
• 生成式突破&