返回Glossary
Vision Transformer
一种图像分类架构，将图像分割成固定大小的补丁，对每个补丁进行线性嵌入，添加位置编码，并用标准 Transformer 编码器处理序列。ViT 已成为主导的视觉骨干网络，在大规模数据集上预训练时超越了 CNN。ViT 变体（DeiT、Swin、DINOv2）是现代 VLA 模型中的默认视觉编码器。
一种图像分类架构，将图像分割成固定大小的补丁，对每个补丁进行线性嵌入，添加位置编码，并用标准 Transformer 编码器处理序列。ViT 已成为主导的视觉骨干网络，在大规模数据集上预训练时超越了 CNN。ViT 变体（DeiT、Swin、DINOv2）是现代 VLA 模型中的默认视觉编码器。