Transformer视觉

Transformer视觉指的是将Transformer模型应用于计算机视觉任务。其中最常见的应用就是图像分类和对象检测。

在图像分类中，使用Transformer作为backbone模型，将图像转换为一系列的patch，并通过自注意力机制来学习图像的全局信息和局部特征。这种方法被称为Vision Transformer (ViT)。通过将图像分割成小的块，并将它们作为输入序列传递给Transformer，ViT能够在各种规模的图像上实现出色的分类性能。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* *3* [计算机视觉中的Transformer](https://blog.csdn.net/qq_33431368/article/details/123606127)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"]
- *2* [计算机视觉中transformer的理解](https://blog.csdn.net/m0_46339652/article/details/119191994)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v92^chatsearchT0_1"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]