深層学習 Vision Transformer(ViT)とは?画像認識にTransformerを応用する手法を解説 「画像認識はCNNの独壇場」という常識を覆したのがVision Transformerです。画像を16x16のパッチに分割し、文章のように読む発想が画像認識の勢力図を塗り替えた仕組みを解説します。 2026.10.05 深層学習