ViT（视觉 Transformer）

ViT（视觉 Transformer）是一种开创性的计算机视觉模型，它将原本为自然语言处理（NLP）设计的 Transformer 架构应用于图像数据。它将图像分割成多个 patch，将这些 patch 视为序列，并使用自注意力机制捕捉全局视觉关系。ViT 在图像分类任务中取得了最先进的成果，且对卷积层的依赖较少，为图像识别、分割和迁移学习等任务带来了革命性突破。