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

ملخّص

يطبّق محوّلاً معيارياً على الصور مباشرةً بتقطيع كل صورة إلى رقع ثابتة الحجم ومعاملة متتالية الرقع كوحدات، بلا أي التفاف.

لماذا تهمّ

أظهر أن المحوّل ليس خاصاً باللغة: فمع بيانات كافية، تضاهي معمارية تسلسل عامة الشبكاتِ الالتفافية في تصنيف الصور أو تتفوّق عليها. ويستشهد به راشكا لبيان أن معماريات المحوّل لا تقتصر على المدخلات النصية.