▼ もうちょっと詳しく

2020年にGoogleが発表した、画像にTransformerを適用したモデル。それまでの画像認識はCNNの独壇場でしたが、ViTが「画像も小さく切ってトークン化すれば、Transformerで処理できるよね」とやってのけ、CNNの王座を脅かしました。

「言語処理で勝ったTransformerが、画像にも襲来した」という、ちょっとSF的な展開。マルチモーダルAIが現実的になった背景でもあります。