マルチモーダルトランスフォーマー

ビジュアルパッチ埋め込み

Vision Transformer（ViT）で普及した技術。画像が重複しないパッチのグリッドに分割され、各パッチが線形化され、トークンとして処理されるための埋め込みベクトルに投影される

← 戻る