可显著减少训练时间

最近，GoogleDeepMind推出了NaViT:一种新的ViT模型，它在训练过程中使用序列打包来处理任意分辨率和宽高比的输入。该模型将图像分割成小块，并线性投影到令牌上，形成了这个模型的基础。