计算机视觉作为人工智能的一个重要分支，主要致力于赋予计算机解读和理解视觉世界的能力。它融合了大量算法和先进的机器学习技术，比如 Transformer，来仔细审查并理解从相机和其他成像设备获取的视觉数据。
计算机视觉的数学模型描绘了视觉感知中固有的基本原理和程序。其总体目标是模拟人类视觉系统的复杂功能，使计算机能够在图像和视频中精确地识别、分类物体、人物和场景。
计算机视觉模型有各种各样的形式。传统的包括基于特征的模型、深度学习网络和卷积神经网络（CNNs）。然而，近年来，基于 Transformer 架构的模型在该领域已成为一股革命性的力量。Transformer 凭借其自注意力机制，能够捕捉视觉数据中的长距离依赖关系，为视觉分析提供了全新的视角。
目前，前沿的基于 Transformer 架构的视觉模型有 T-Rex2，Grounding DINO， DINO-X 等。