作者提出了Vision Transformer（ViT）模型，表明计算机视觉任务对于卷积神经网络的依赖是不必要的，可以利用一个基本的Transformer直接作用于一系列图像块，在图片分类任务中可以取得良好的效果。在大规模数据集上训练后，迁移到中小型数据集进行使用，Vision Transformer可以获得与最好的卷积神经网络相媲美的结果，同时需要的训练资源更少。