ImageEncoderViT和VisionTransformer

ImageEncoderViT和VisionTransformer都是视觉Transformer模型，用于图像分类和目标检测等任务。其中，ImageEncoderViT是在ViT的基础上进行了改进，可以适应高分辨率的输入，并且只需要对每张图像运行一次。它将输入的图像进行缩放，按照长边缩放成1024，短边不够就pad，然后经过image encoder得到对图像16倍下采样的feature，大小为(256,64,64)。而VisionTransformer则是一种完全基于Transformer的视觉模型，它将图像分割成若干个patch，然后将每个patch作为一个token输入到Transformer中进行处理。这两种模型都具有较好的性能和灵活性，可以根据不同的任务进行调整和优化。