Vision Transformer-Base流程图

流程图

注意的是，每一次Encoder执行完输出的特征图尺寸是一样的，会消耗较多的资源。训练时需要大量的额外数据才能达到和CNN近似的效果，我认为的主要原因是没有和CNN一样带有一定的先验知识(平移不变等)。