ViT (Vision Transformer)

ViT (Vision Transformer): Architettura Transformer adattata per computer vision trattando patch immagini come token. Divide immagini in patch (16x16), le appiattisce e proietta, aggiunge positional encoding. Transformer puro senza convoluzioni. Richiede dataset grandi. Esempi di applicazione: Classificazione immagini, Alternativa a CNN, ViT-Base, ViT-Large.

In English: ViT (Vision Transformer)Legge III · Come una rete impara dai dati

Divide immagini in patch (16x16), le appiattisce e proietta, aggiunge positional encoding. Transformer puro senza convoluzioni. Richiede dataset grandi.

Esempi

  • Classificazione immagini
  • Alternativa a CNN
  • ViT-Base, ViT-Large