ViT Transformer论文阅读笔记

《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》

论文：https://arxiv.org/abs/2010.11929

代码：https://github.com/google-research/vision_transformer

达摩院modelscope模型开源平台快速体验ViT模型: ModelScope 魔搭社区

原理：使用transformer对长序列之间的关系进行建模（自注意力）

方法： 首次提出使用transformer进行分类：把输入图像直接划分为token，位置编码为可学习的token，额外增加一个分类token，最后使用head预测。

结果： acc提升， sota