计算机视觉 transformer框架

计算机视觉中的Transformer框架是指一种使用Transformer模型来进行图像分类任务的方法。其中一种被称为Vision Transformer（ViT）。ViT是一种纯Transformer模型，被直接应用于图像块的序列，以实现图像分类的目标。ViT尽可能地遵循了原始Transformer的设计，通过将图像划分为图像块，并将其编码为序列，然后使用Transformer进行分类。ViT的框架允许模型学习图像中的全局特征，并在大规模图像数据集上展现出良好的性能。