自动驾驶-经典模型

图像分类

resNet --基于CNN的网络

目标检测

目标检测中，我们通常使用边界框（bounding box）来描述对象的空间位置真实边界框（ground-truth bounding box）锚框（anchor box    多尺度锚框交并比（IoU）非极大值抑制（non-maximum suppression，NMS）合并属于同一目标的类似的预测边界框为图像生成多个锚框，再为这些锚框一一预测类别和偏移量--非极大值抑制预测边界框feature map	特征图（fmap）上生成锚框（anchors）
one-stage和two-stage		二阶段： 第一阶段提取感兴趣的区域，第二阶段进行分类和定位retinanetRetinaNet的主要创新点在于其focal loss，该损失解决了大多数目标检测数据集中存在的类别不平衡问题RetinaNet采用了经典的Backbone+Neck+Head单阶段网络结构，Backbone负责提取图像的特征,Neck负责增强或融合特征(如通过多尺度处理),而Head则根据任务需求生成最终的输出结果(如类别、边界框或掩膜)其中Backbone采用Resnet，Neck采用FPN， 特征金字塔网络（FPN）架构Head部分由分类子网络（class subnet）和框回归子网络（box subnet）组成一阶段检测算法‌：如YOLO和SSD	torchvision/models/detection/ssd.pyhttps://github.com/pytorch/vision/blob/main/torchvision/models/detection/ssd.py

图像分割

 图像分割（image segmentation）和实例分割（instance segmentation前景背景分割： 1表示前景，0表示背景语义分割  Semantic实例分割也叫同时检测并分割（simultaneous detection and segmentation全景分割：结合语义分割和实例分割，提供像素级的类别和实例标签，实现全面的场景理解-将背景也作为分类,标签图像(即“mask”或“ground truth”图像)通常是一张灰度图Segmentation Mask(分割掩码) 2023-04-06   Meta AI发布了Segment Anything Model（SAM）	 

Transformer

Vit--图像分类 
是基于transformer结构的cv网络  一开始就捕捉全局上下文的能力	torchvision/models/vision_transformer.pyViT模型利用Transformer模型在处理上下文语义信息的优势，将图像转换为一种“变种词向量”然后进行处理ViT结构主要包括Patch Embedding、Position Embedding（位置编码）、Transformer Encoder与MLP Head
Transformer在CV领域通用的backboneNLP领域的词嵌入（Word Embedding），ViT采用了（Patch Embedding）

目标检测

 DETR（Detection Transformer）用于目标检测和全景分割。这是第一个将Transformer成功整合为检测pipeline中心构建块的目标检测框架。从通用任务和可提示分割两个方向由三个主要部分组成：用于特征提取的CNN后端（ResNet）、transformer编码器-解码器和用于最终检测预测的前馈网络（FFN）

自动驾驶

BEV+Transformer方案可以将静态道路信息与动态道路信息统一到了同一个坐标系下,通过实时感知与转换,在行驶中即可实时生成“活地图”
VLAOpenVLA 模型OCC动态-静态-OCC

多模态

  CLIP模型(Contrastive Language-Image Pretraining)

大模型时代

ChatGLM系列、Qwen系列、Llama系列Deepseek