transformer可以和什么结合用于图像识别而且没有人做过

Transformer模型最初是为自然语言处理任务设计的，但它也可以用于图像识别任务。一种可能的方法是将图像分割成小块，然后将每个块作为一个序列输入Transformer模型，以在每个位置上计算特征向量。这种方法已经有研究人员探索过，例如ViT (Vision Transformer)模型就是这样一种结合Transformer进行图像识别的方法。ViT模型在许多图像分类任务上表现出色，但对于更复杂的图像识别任务，还需要进一步的研究和探索。

至于是否没有人做过，这可能需要进行更加详细的调查和研究。但是，目前已经有很多研究人员在探索将Transformer模型结合到图像识别中的方法，因此该领域正在不断发展和探索。