Post🔹 آغاز تحول: Vision Transformer (ViT) — سال ۲۰۲۰

🔹 آغاز تحول: Vision Transformer (ViT) — سال ۲۰۲۰ تا قبل از سال ۲۰۲۰، بیشتر مدل‌های بینایی بر پایه‌ی CNNها بودند؛ مثل ResNet و EfficientNet. اما در مقاله‌ای از تیم Google Research (Dosovitskiy et al., 2020) ایده‌ای کاملاً متفاوت مطرح شد: «اگر تصویر را مثل متن تکه‌تکه کنیم، می‌توانیم از Transformer به جای CNN استفاده کنیم!» 💡 🔸 ایده‌ی اصلی ViT 📦 در ViT، تصویر به بخش‌های کوچک به نام Patch تقسیم می‌شود (مثلاً 16×16 پیکسل). هر patch مثل یک “کلمه” در جمله در نظر گرفته می‌شود. سپس با Flatten + Linear Projection تبدیل به یک بردار ویژگی می‌گردد. 🔁 این توکن‌ها (patch embeddings) همراه با Positional Encoding به Encoder ترنسفورمر داده می‌شوند تا ارتباط میان بخش‌های مختلف تصویر را یاد بگیرد. به زبان ساده: در واقع Transformer یاد می‌گیرد که کدام بخش‌های تصویر به هم مرتبط‌اند، بدون نیاز به فیلترهای مکانی CNN. اطلاع بیشتر: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale #هوش_مصنوعی 📣👨‍💻 @AlgorithmDesign_DataStructue