Vedere a Pezzetti: Vision Transformer

Il Vision Transformer (ViT) tratta le immagini come se fossero testi. Divide una foto in tanti piccoli quadratini (patch) e li "legge" in sequenza, cercando di capire come sono collegati tra loro. È un cambio di paradigma totale rispetto alla visione artificiale classica.

Scalabilità e Precisione

Il ViT brilla quando viene addestrato su quantità enormi di dati. Ha una capacità di "comprendere" la scena globale di un'immagine molto superiore rispetto alle vecchie reti CNN, rendendolo lo standard per l'analisi medica e satellitare di alta precisione.

L'AI che "Immagina"

Questa tecnologia è anche alla base dei modelli che generano video, poiché permette all'AI di mantenere una coerenza spaziale e temporale perfetta tra i vari elementi della scena che sta creando.