注：上面只是示意图，实际书稿中建议用自绘或重画的简洁示意图替换。
3.2 视觉特征与表示学习（节选）
本节聚焦“视觉 backbone 究竟在学什么”。从卷积的层级特征，到 Vision Transformer 的 patch-token 表示，再到自监督预训练与迁移使用方式，这一节是后面 VLM / VLA 模型视觉部分的“放大镜”。
3.2.1 卷积特征与层级表示直觉
卷积神经网络（CNN）已经被证明会自动学习出从边缘、纹理到物体部件、完整对象的分层表征，与生物视觉皮层中从 V1 到 IT 的层级处理有相似之处。(arXiv) 对机器人来说，这意味着：同一个相机画面，在不同层中被编码成不同抽象层级的信息，为后续抓取、导航、场景理解提供基础。
3.2.1.1 卷积网络的层级特征
可以把卷积核看成一块块可学习的小“模板”，在图像上滑动，检测某种局部模式是否出现。早期层的模板非常“原始”，后期层变得“语义化”。
- 低层特征：边缘和纹理
在第一、二层卷积中，可视化滤波器时，经常能看到“Gabor 滤波器”式的条纹、斑点、方向性边缘等。(arXiv) 对机器人来说，这一层类似回答“这里有一条明暗边界”“这里有一段重复纹理”的问题，有助于后续识别桌沿、物体轮廓。
- 中层特征：局部图形和部件
随着网络加深，卷积层的感受野（能“看到”的输入区域）逐渐变大，中层卷积核开始响应更复杂的局部结构，比如圆形角落、T 字交界、物体的一部分（杯把、车轮、门把手等）。这些特征已经脱离“几何原始元素”，开始向“物体部件”靠拢。(SPIE Digital Library)
- 高层特征：对象和类别级模式
在靠近分类头的高层卷积中，特征往往与具体类别强相关，例如“狗头”“键盘区域”“车前脸”等高度语义化的激活。Zeiler & Fergus 的可视化工作表明，高层 feature map 上，一整块区域常常只在特定类别图像中被激活。(arXiv)
【插图占位 3.2.1-1】 “CNN 不同层的卷积核与激活可视化”： 左侧为浅层卷积核（类似边缘检测器）；中间为中层对纹理与局部形状的响应；右侧为高层对物体部件/对象的响应。用一张输入图（如桌面上有杯子）对应三层 feature map 激活。
在具身智能场景中，可以这样理解：当机械臂视觉系统通过 ResNet 看一张桌面图像时，早期层主要检测各种边缘和纹理（桌沿、物体阴影），中层开始形成“杯子边缘”“盒子角”等部件特征，高层则直接形成“杯子”“蓝色盒子”等对象级特征，供上层任务（如“抓起杯子”）使用。
3.2.1.2 特征图（Feature Map）
卷积操作对输入图像进行处理后，输出的是一个多通道的张量，通常记作大小为 \(H \times W \times C\)：
- \((H, W)\)：空间维度，对应图像在当前层的分辨率；
- \(\displaystyle C\)：通道数，每个通道就是一个 feature map，代表某个卷积核在整幅图上的“响应强度图”。
可以把 feature map 看成：“对于这一种视觉模式，每个像素位置匹配的程度是多少”。例如某个通道专门响应“垂直边缘”，那在所有垂直物体边缘的位置，这个通道的值会比较大。
随着网络前进，卷积步长和池化层会逐步降低 \((H,W)\)，而提高通道数 \(\displaystyle C\)。这意味着：
- 空间分辨率下降：单个激活对应的物理区域更大；
- 通道维表达能力增强：每一个空间位置上，C 维向量可以编码非常丰富的语义。
这样的结构自然形成了多尺度特征金字塔：浅层 feature map 分辨率高，适合描述精细边界和小物体；深层 feature map 分辨率低、语义强，适合理解“这块区域大致是什么东西”。
【插图占位 3.2.1-2】 “Feature Map 尺寸变化示意”： 画出一张输入图像，经过多层卷积+池化后 feature map 的形状从 \(224\times224\times3\) 变为 \(112\times112\times64\)、\(56\times56\times128\)…直至 \(7\times7\times2048\)，用不同颜色方块表示不同通道。
在机器人应用中，这些 feature map 通常不会直接显示，而是输入到检测头、抓取预测头或下游 Transformer 中，作为视觉语义的“压缩表达”。
3.2.1.3 层级表示直觉
总结起来，卷积网络的层级表示有几个直观要点：
- 从局部到全局 早期层只“看见”局部几像素，后期层的感受野可以覆盖图像中很大的区域甚至全图，逐步整合上下文。
- 从具体到抽象 表征从“这有条边”“这里有条纹理”逐渐演化为“这个区域像是一个杯子”“这大概是桌面的一角”。这种从低级特征到高级语义的抽象，与认知科学中人类视觉皮层的层级处理趋势相似。(ScienceDirect)
- 局部平移不变性和结构先验 卷积核在整幅图上共享权重，让网络天然对小范围平移具有不变性。这种强归纳偏置使 CNN 在中等规模数据集上非常高效、稳定，但也导致其对更复杂的长程关系（如远处两个物体之间的关系）建模能力有限。
对具身智能来说，这意味着：如果任务主要依赖局部形状与纹理（例如检测桌沿、防止跌落、识别可抓取边缘），卷积 backbone 通常已经足够；而当任务涉及复杂全局关系（例如“把桌面最左边的杯子移到靠近门的那边”），我们更希望有能力建模“全局 patch 之间关系”的结构——这正是 Vision Transformer 要解决的问题。
3.2.2 视觉 Transformer（ViT）的基本结构
Vision Transformer（ViT）直接把图像视为一串“视觉 token”，用 Transformer 编码器处理，从而将 NLP 中已经验证有效的全局自注意力机制引入视觉。(arXiv)
3.2.2.1 图像分块
经典 ViT 的第一步是 图像分块（patch embedding）：
- 给定一幅大小为 \(H \times W \times C\) 的图像；
- 使用固定大小的 patch（如 \(P \times P\)）将图像划分为 \(N = \frac{HW}{P^2}\) 个不重叠的小块；
- 每个 patch 展平为长度 \((P^2 C)\) 的向量，并通过一个线性层投影到 \(\displaystyle D\) 维，得到一个 token；
- 所有 patch token 组成长度为 \(\displaystyle N\) 的序列，再加上一个 learnable 的 class token，总长度为 \((N+1)\)；
- 再加上可学习的位置编码，以保留 patch 的空间位置信息。(arXiv)
【插图占位 3.2.2-1】 “ViT patch embedding 架构”： 左侧是一张输入图像，被切成若干 \(P\times P\) 的小 patch；每个 patch 展平后通过线性层映射为 D 维向量；所有 patch token 与一个 class token 拼接成序列，并加上位置编码输入 Transformer encoder。
在机器人视角下，可以理解为：摄像头拍到的画面首先被离散为几十到上百个“小视野格子”，每个格子由一个向量描述。后续的自注意力层决定这些格子之间如何互相“交流”。
3.2.2.2 自注意力在图像中的应用
在 ViT 中，Transformer 编码器对 token 序列应用多层 自注意力（self-attention）：
- 每个 patch token 通过线性变换产生 Query / Key / Value；
- 每个 patch 的 Query 与所有 patch 的 Key 计算相似度，经 softmax 得到注意力权重；
- 使用权重对 Value 做加权和，得到融合了全局信息的新表示。(d2l.ai)
直觉上，这相当于：每个 patch 决定“应该向哪些其他位置要信息” 。例如在桌面场景中：
- 表示“杯子”的 patch 可能会关注桌面边缘（判断杯子是否在边缘，是否安全）；
- 表示“目标盒子”的 patch 会关注周围障碍物 patch，辅助规划路径。
多头注意力让不同“注意力头”在不同子空间内学习不同的关注模式：有的头关注近邻局部纹理，有的头捕捉对称、重复结构，有的头专门建模远距离物体间的关联。(wikidocs.net)
与 CNN 相比，自注意力有两大关键差异：
- 显式全局建模：每个位置可以直接与任意位置交互，而不需要堆叠许多局部卷积才能间接感知远处；
- 归纳偏置更弱：不强假设局部平移不变性，网络在足够数据上可以学习更丰富的模式，但在小数据集上也更容易过拟合或训练不稳定。
3.2.2.3 ViT 特点
综合来说，ViT 作为视觉 backbone 具有以下特点：(arXiv)
- 全局视野与强表示能力
自注意力使得 ViT 在每一层就能获取全局信息，对复杂布局、长程关系建模有天然优势。在大规模预训练（如 ImageNet-21k 或图文对齐数据）下，ViT 在分类、检测、分割等任务上已经超越或媲美同规模 CNN。
- 对数据量敏感
由于缺乏 CNN 那种强的局部归纳偏置，ViT 在小数据集从头训练通常表现不佳，需要：
- 借助大规模有监督或自监督预训练；
- 或在结构中引入层次化、局部窗口（如 Swin Transformer 一类）。
- 与自监督方法高度契合
ViT 的“token 化”结构与掩码建模（MAE 等）天然匹配，在自监督框架下表现尤为突出，这是后续 3.2.3 将重点展开的内容。(arXiv)
- 对机器人应用的影响
- 在算力足够（如云端推理或高性能边缘设备）且数据丰富时，可使用 ViT/层次 Transformer backbone 作为机器人视觉主干，更好地理解复杂场景；
- 在实时性、算力严苛的场景中，往往采用轻量化 Transformer 变体，或与 CNN 混合使用，以兼顾性能与速度。
3.2.3 自监督视觉表征（对比学习、MAE 等基本思想）
对于具身智能而言，最稀缺的不是图像，而是 高质量标注和示教 。机器人可以 24 小时拍视频，但人类不可能 24 小时在旁边标注。这使得“如何利用大量未标注视觉数据学习通用表示”成为关键问题，自监督学习正是目前最主流的答案之一。(SpringerLink)
3.2.3.1 对比学习
对比学习（contrastive learning）的核心想法是：把“同一个事物的不同观察”拉近，把“不同事物”拉远 。在视觉自监督中，常见做法是“实例判别（instance discrimination）”：每张图像被视为自己的“类别”。(CVF开放获取)
典型框架（SimCLR、MoCo 等）的基本流程：
- 对同一张原始图像做两次随机数据增强（裁剪、翻转、颜色抖动、模糊等），得到两张“视角不同”的图像；
- 使用共享参数的编码器（CNN 或 ViT）分别将这两张图像映射到特征向量；
- 通过一个小的投影头（MLP）映射到对比空间；
- 设计对比损失（如 InfoNCE）：
- 把这两个来自同一图像的向量视为“正样本对”；
- 与 batch 中其他图像的向量作为“负样本”；
- 优化目标是让正样本对在特征空间距离更近，负样本更远。
直觉上，相当于告诉网络：“即便这杯子的姿态、光照改变，它在特征空间也应该是同一个‘点附近’。” 训练完成后，编码器就学到了一种对常见变化（旋转、光照、轻微遮挡）不敏感、但对语义差异敏感 的特征。
在机器人场景中：
- 正样本可以是同一次操作的不同帧，或同一物体在不同位置、不同抓取阶段的图像；
- 负样本是其他物体或其他任务场景；
这样，机器人在没有任何“类别标签”的情况下，就能学会“哪些图像属于同一事物或同一过程”，为后续的抓取预测或策略学习提供基础特征。
3.2.3.2 掩码图像建模（MAE）
对比学习强调“区分”，而 掩码图像建模（Masked Image Modeling, MIM） 更强调“重建”。其中影响力最大的工作之一就是 MAE（Masked Autoencoders）。(arXiv)
MAE 的关键思想：
- 仍然基于 ViT 的 patch 表示，将图像切成若干 patch；
- 随机遮挡大部分 patch（例如 75%），只保留少量可见 patch；
- 编码器（ViT encoder）只处理可见 patch，生成其高维表示；
- 将可见 patch 表示与位置编码、掩码标记一起输入一个轻量解码器；
- 解码器的任务是重建被遮挡部分的像素（或某种压缩形式，如低分辨率图）。
重要特性有两点：
- 极高遮挡比例：迫使模型必须真正理解全局结构，而不是简单“补纹理”；
- 编码器轻负载：只对可见 patch 计算自注意力，大幅节约计算，特别适合大规模预训练。(arXiv)
直觉上，MAE 要求模型回答的问题是：“在只看见一小部分图像补丁的情况下，这张图合理的完整样子是什么？” 这使得模型必须学到：
- 物体典型形状（杯子大致是圆柱、桌子是平面等）；
- 背景与物体的相互约束关系；
- 不同 patch 之间的纹理、颜色、结构一致性。
在机器人应用中，遮挡是常态——机械臂自己会挡住部分视野，桌面物体会相互遮挡。通过 MAE 预训练的 ViT 在面对大面积遮挡、视角变化时，往往比纯监督训练的模型更稳健。后续还有很多基于 MIM 的变体，扩展到视频、点云等模态，在这里不展开。(ScienceDirect)
【插图占位 3.2.3-1】 “MAE 自监督框架”： 左侧为原始图像和其 patch；中间展示随机遮挡的 patch（大面积灰块）；右侧是编码器只处理可见 patch，解码器重建完整图像的流程图。
3.2.3.3 自监督的意义
自监督视觉学习对具身智能的意义，并不仅仅是“省标签”，更深层的价值在于：
- 大幅提高数据利用率
现实中很容易收集到“机器人看到的一切”：摄像头视频、深度图、点云等。但完整标注每一帧中的物体、语义、动作几乎不可能。自监督允许我们用这些原始数据构建大规模预训练语料库，让视觉 backbone 从“无标签的观察”中学习世界的结构。(SpringerLink)
- 得到更通用、与任务无关的表示
和在单一标注任务（比如 ImageNet 分类）上训练得到的特征相比，对比学习和 MAE 这种预训练方式往往给出更“面向世界”的表征——它们捕捉到的是一般性的视觉规律，而不是某个数据集里特定类别的边界。因此，在目标检测、分割、3D 理解乃至机器人策略学习上迁移时，都更容易适配。
- 为世界模型和长期规划打基础
重建式自监督（如 MAE）和时序预测式自监督（预测下一帧、未来轨迹）本质上都是在学习“如果世界缺了一部分信息，我能不能根据上下文补完”的能力。这种能力对于构建具身智能的“世界模型”至关重要，是后续章节（例如 9.3、12.1）要讨论的核心方向之一。
- 实际工程中的策略
对一个真实机器人平台，常见做法是：
- 长时间录制未标注视频，构建视觉自监督预训练数据；
- 先用对比学习或 MAE 预训练视觉 backbone；
- 再用少量示教数据、标注任务数据微调到具体操作任务上（抓取、分类、可抓取检测等）。
这种“先学看，再学做”的范式，在多模态 VLM/VLA 模型中会进一步扩展为“先学看 + 听（视觉 + 语言），再学做（动作）”。
3.2.4 视觉 Backbone 的选择与迁移（ResNet、ViT 等）
在具身系统中，视觉 backbone 不只是一个“分类器的前半部分”，而是整个系统对世界的主要感知入口。选择何种 backbone，以及如何迁移预训练权重，对最终性能、实时性、部署成本都有直接影响。
这里重点讨论两类主力骨干：ResNet（典型 CNN）与 ViT（典型 Transformer），以及它们在迁移学习中的常见用法。
3.2.4.1 ResNet
ResNet（Residual Network）的核心思想是引入 残差连接，即让每一层只需要学习相对于输入的“增量”。这极大缓解了深层网络中的梯度消失问题，使得 50 层、101 层甚至更深的 CNN 训练变得可行。(SPIE Digital Library)
从视觉 backbone 的角度看，ResNet 有几个工程上非常重要的特点：
- 强归纳偏置与稳定性能
标准的卷积+池化+残差结构，使得 ResNet 在中等规模数据集上具有极高的收敛稳定性和泛化能力。即便没有大规模自监督预训练，直接在任务数据上微调也常能得到不错的结果。
- 成熟的工具链与硬件友好性
各种深度学习框架和推理引擎对卷积操作高度优化，在嵌入式 GPU、加速器上都有现成的高效实现；因此 ResNet 类 backbone 在移动机器人、嵌入式机械臂上非常常见。
- 多尺度特征易于复用
ResNet 的分层结构天然适合构造特征金字塔（如 FPN），用于目标检测、实例分割等任务——这些任务又恰恰是机器人抓取、障碍检测的基础模块。(SPIE Digital Library)
在具身智能的实践中，一条常见经验是：
- 初期实验 / 小规模项目：优先选用 ResNet-18 / 34 等轻量骨干，保证训练和部署简单、鲁棒；
- 性能要求更高：可升级到 ResNet-50 / 101 加 FPN，用于精度更高的场景理解，再将结果提供给上层 VLA 决策模块。
3.2.4.2 ViT
相比之下，ViT 系列 backbone 更“现代”，也更依赖大规模预训练。当前主流开源模型（如 vit-base-patch16-224 等）通常先在 ImageNet-21k 等大数据集上预训练，再在 ImageNet-1k 上微调。(Hugging Face)
作为视觉 backbone，ViT 有几方面的特点：
- 全局建模能力
利用自注意力，ViT 对全图 patch 之间的关系进行显式建模，尤其有利于需要理解复杂场景关系的任务，例如：
- 判断多个物体之间的相对位置（哪一个“更靠近门口”）；
- 推理遮挡关系（哪个物体被挡住、相对深度）。
- 与图文预训练、VLM 的天然适配
ViT 常被用作图文对齐模型（如 CLIP）中的视觉编码器，学习到的特征与语言空间对齐良好，非常适合直接用作机器人 VLM/VLA 模型的视觉 backbone。(arXiv)
- 在大数据下优于 CNN，小数据下需谨慎
多项比较研究显示，当训练和预训练数据足够大时，ViT 在分类、识别类任务上的表现可以显著超越或至少不弱于同规模 ResNet。(arXiv) 但在小数据集、从头训练或迁移数据分布与预训练差异很大时，原始 ViT 可能难以训练稳定，这时需要：
- 使用 MAE/对比学习等自监督权重；
- 或采用带卷积前端、窗口注意力的改进架构（如 Swin、ConvNeXt 等）。
在具身智能系统中，常见的一种组合是：语言–视觉对齐用 ViT（或其变体），低层几何理解和实时感知仍以 CNN 为主，二者通过特征融合或多任务训练结合起来。
3.2.4.3 迁移学习
无论使用 ResNet 还是 ViT，视觉 backbone 在机器人任务中几乎总是以“预训练 + 迁移”的方式出现，而不是从零开始训练。迁移学习通常包含几个关键决策：(arXiv)
- 选择预训练来源
- 经典监督预训练：如 ImageNet 分类；
- 自监督预训练：对比学习（SimCLR、MoCo、DINO 等）、MAE 等；
- 多模态预训练：图文对齐模型（CLIP 风格）、视频自监督等。
对机器人来说，多模态和自监督预训练往往更有优势，因为它们捕捉到的是更通用的世界结构，而不是某个特定分类任务。
- “冻结 vs 全量微调 vs 参数高效微调”
- 冻结特征 + 训练任务头：适合数据较少、算力有限、对性能要求不极致的场景；
- 全量微调：适合数据相对充足、希望 backbone 充分适应特定场景（特殊光照、视角、相机）的情况；
- 参数高效微调（Adapter / LoRA 等）：在不修改大部分预训练权重的前提下，仅训练少量插入模块，达到较好适应能力，又控制了训练成本；这与第 2.5.3 节中语言模型微调的思想完全一致。
- 根据任务和资源选择 backbone 类型
一个实用的经验表，可以帮助在具身智能项目中快速做出初步选择：
- 小数据集 + 强实时性 + 嵌入式设备 → 轻量 CNN（ResNet-18/34、MobileNet 等），使用 ImageNet 或自监督预训练权重，冻结大部分层，仅微调最后几层和任务头。
- 中等数据规模 + 单一场景（固定工位、固定相机） → 可以使用更深的 ResNet 或轻量 ViT / Swin；优先使用自监督预训练权重（SimCLR/MoCo/MAE）以提高数据效率。
- 大规模多场景数据 + 多任务机器人平台 → 优先使用 ViT 或层次 Transformer backbone（如 Swin）、甚至直接采用 CLIP-ViT 或 MAE-ViT 作为视觉模块，与大语言模型共同组成 VLM / VLA 系统。在这种情况下，视觉编码器的能力将成为整个系统泛化能力的关键瓶颈之一。
【插图占位 3.2.4-1】 “视觉 backbone 迁移流程”： 画出一个从左到右的流程： “大规模预训练数据（ImageNet/图文/未标注视频）” → “预训练视觉 backbone（ResNet/ViT）” → “加入机器人特定任务头（检测、抓取预测等）” → “在机器人任务数据上微调（可选：冻结部分层、Adapter 微调）”。
在后续章节中，视觉 backbone 会以多种角色重复出现：在第 4 章中作为图文对齐模型的一部分，在第 8 章中作为 VLA 统一模型的视觉输入模块。读者理解了本节中 CNN 层级特征与 ViT patch-token 表示、自监督预训练与迁移学习的基本思路，就具备了“读懂后面模型结构图中视觉那一坨方块究竟干什么”的能力。接下来，我们会在 3.3 节进一步将 2D 视觉表示延伸到 3D 场景理解，为机器人在物理世界中行动铺路。