计算机视觉难度 ★★★★★
Vision Transformer
不再用"滑动窗口"扫描图像，而是把图片切成块直接用Transformer处理
分享：
📖 详细解释
🎯 一句话定义
不再用"滑动窗口"扫描图像，而是把图片切成块直接用Transformer处理
⚙️ 工作原理
将图像切分为16x16的patch序列，每个patch当作一个token输入Transformer。靠自注意力捕获全局关系
💡 生活类比
"CNN像逐寸扫描地图找目标，ViT像一眼看完整张地图然后圈出重点区域"
🌍 真实应用
GPT-4o的视觉理解、CLIP图文匹配、医学影像分析——ViT正在取代CNN成为视觉新标准