已验证65% 置信事实精确时间
2020年ViT（Vision Transformer）将图像切分为固定大小的Patch序列送入Transformer处理，打破了CNN的归纳偏置限制
3
来源数
65%
置信度
长期有效
时效性
2026/7/13
首次发现
来源
相关事实
已验证ViT（Vision Transformer）将图像切分为固定大小的16×16 patch序列后输入标准Transformer80% 相似待验证GPT-4V将图像分割为若干Patch（通常16×16像素），经Vision Transformer编码后每张图片产生数百至数千个视觉Token65% 相似待验证基于 Vision Transformer 架构的 ViTPose 在标准基准数据集 COCO 上达到了更高精度65% 相似待验证中画幅镜头分辨率是1亿像素机身的隐性瓶颈：老款或转接镜头往往无法解析1亿像素，边缘画质下降明显，买高像素机身必须搭配官方标称支持该像素的镜头，否则高像素形同浪费65% 相似待验证Vision Transformer（ViT）由Google Brain团队于2020年在论文《An Image is Worth 16x16 Words》中提出61% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/501926API
curl https://kongchang.com/api/v1/knowledge/claims/501926MCP
get_claim(id=501926)