Vision Transformer (ViT)
Transformer-Architektur für Bilder.
Ein Vision Transformer wendet die aus der Sprachverarbeitung stammende Transformer-Architektur auf Bilder an, indem er sie in kleine Kacheln zerlegt und wie eine Folge von Token behandelt. ViTs erreichen bei vielen Bildaufgaben Spitzenwerte und ergänzen oder ersetzen klassische CNNs.