Unverified50% confidenceFactExact time
Vision Transformer将图像切分为16×16的patch作为基本处理单元
1
Sources
50%
Confidence
Long-term
Relevance
7/17/2026
First Seen
Sources
Related Claims
Verified2020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78% similarVerifiedVision 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75% similarVerified多模态大模型通过视觉编码器（通常基于Vision Transformer架构）将输入图像分割为若干patch并编码为向量序列，与文本token在同一Transformer架构中进行联合注意力计算75% similarUnverifiedDINOv2使用Vision Transformer（ViT）架构，将输入图像划分为固定大小的补丁，每个补丁经Transformer编码后产生高维嵌入向量74% similarUnverifiedQwen3.5多模态版本基于Vision Transformer（ViT）架构处理图像输入，将图像分割为固定大小的patch作为token输入Transformer编码器70% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/541619API
curl https://kongchang.com/api/v1/knowledge/claims/541619MCP
get_claim(id=541619)