Alexey Dosovitskiy

概述

计算机视觉研究者，Vision Transformer（ViT）的主要作者，将 Transformer 架构成功应用于图像识别。

关键内容

1. ViT 论文（2021）：发表《An Image is Worth 16x16 Words: Transformers for Image Recognition》，首次证明纯 Transformer 架构（无卷积）可以在图像分类任务上达到 SOTA。
2. 图像分块策略：将图像分割为 16×16 的 patch 序列，直接输入 Transformer 编码器，证明了自注意力机制可以处理视觉数据。
3. 影响：ViT 开启了视觉 Transformer 的研究热潮，后续的 Swin Transformer、DETR 等工作均受其启发。

来源

• ai_papers_timeline.md — 2021 年时间线条目

相关

• Vision Transformer（ViT） — contributed_to
• Transformer — applied_to