🔑 名詞卡
Vision Transformer（ViT）
🎯 定義
一種創新的影像處理模型，採用與 NLP 領域相似的 Transformer 架構（而非卷積）來處理影像數據，突破了傳統 CNN 在電腦視覺領域的主導地位。
重點
屬於電腦視覺「多模態與生成式 AI 融合階段」（2020–至今）代表技術之一。
記憶技巧
ViT＝把圖片切成小塊（patch），當成「句子裡的詞」一樣，用 Transformer 的 Self-Attention 處理。
易混淆
- vs CNN：CNN 用卷積逐層提取局部特徵；ViT 用 Self-Attention 一次考慮整張影像各區塊間的關聯，是 CV 領域從 CNN 主導轉向 Transformer 的關鍵技術。
📖 課文原文「Vision Transformer（ViT）：ViT 是一種創新的影像處理模型，突破了傳統卷積神經網路（CNN）在電腦視覺領域的主導地位，採用了與自然語言處理（NLP）領域相似的 Transformer 架構來處理影像數據。」