Vision Transformer

首次成功将 Transformer 架构（原用于 NLP）应用于图像分类任务，挑战了 CNN 在计算机视觉领域的主导地位。

ViT 的成功是深度学习领域方法论的一次重大转变，标志着“大一统”架构（即 Transformer）开始统治 NLP 和 CV 两个领域。

info

《An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale》在 2020 年及之后发表的论文中，谷歌学术总引用次数排名第1。