Transformer 模型的出现，使得自然语言处理领域得以快速发展，并在许多任务上取得了最先进的结果。但是想从NLP应用到CV领域的有不少限制，这是由于图像数据与语言数据的语义信息的差异。Vision transformer的出现标志着，

Transformer 模型开始在计算机视觉领域得到广泛应用。Vision Transformer 模型使用了类似于自然语言处理中 Transformer 的架构，但是将其应用于图像数据，从而能够对图像进行分类、检测等任务。与传统的卷积神经网络相比，Vision Transformer 具有更好的可扩展性和泛化能力，可以用较少的参数达到更好的效果。因此，Vision Transformer 的出现在计算机视觉领域具有重要意义，是一种非常有前途的发展方向。