ビジョン・トランスフォーマーは畳み込みニューラルネットワークのように見えるのか？

この記事は、Vision Transformer (ViT) と畳み込みニューラルネットワーク (CNN) の視覚処理を比較する研究課題を提起しています。核心的な問いは、画像分析に異なるアプローチをとるこれら2つのアーキテクチャが、視覚情報を同様の方法で認識し解釈するのかということです。これは、これらのAIモデルの内部動作と潜在的なバイアスを理解するための基本的な問いです。