画像処理用のニューラルネットワークの２大アーキテクチャ、CNNとVisionTransformerを比較します。最近の技術についても紹介します。
どちらが強いかの判定もします（私の独断と偏見です。詳細内容の正しさはご容赦ください）
＜出展＞
・Masked Autoencoder：
　arxiv.org/abs/2111.06377
・Swin-Transformer：
　arxiv.org/abs/2103.14030
・CNNとVisionTransformerの融合（CoAtNet）：
　arxiv.org/abs/2106.04803
・高速なVisionTransformer（EfficientViT）：
　arxiv.org/abs/2205.14756
#ディープラーニング
#画像処理
#トランスフォーマー
#CNN
#transformer
#vit
#computervision
#deeplearning