待验证50% 置信权衡取舍精确时间
ViT 将图像切分为 16×16 的 patch 序列后输入标准 Transformer 编码器,在小数据场景下可能不如 CNN,因为缺乏局部性和平移不变性的归纳偏置
1
来源数
50%
置信度
长期有效
时效性
2026/8/27
首次发现
来源
涉及实体
相关事实
已验证2020年Google提出的ViT(Vision Transformer)证明将图像切分为16×16小块后,Transformer在图像分类任务上可以达到甚至超越CNN的性能68% 相似待验证Vision Transformer将图像切分为16×16的patch作为基本处理单元62% 相似待验证视频VQ-VAE、3D卷积、均匀采样关键帧后用ViT编码是主流的视频token化方法61% 相似待验证CLIP包含两个并行编码器:文本编码器采用基于Transformer的架构(类似GPT-2的12层Transformer),视觉编码器有基于ResNet和基于ViT两种变体60% 相似已验证Vision Transformer(ViT)由Google在2020年提出,将图像分割为固定大小的patch作为序列输入Transformer编码器60% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/810179API
curl https://kongchang.com/api/v1/knowledge/claims/810179MCP
get_claim(id=810179)