Transformer in Transformer

• 类型：arxiv
• 标识：2103.00112
• 链接：https://arxiv.org/abs/2103.00112
• 主题：llm-infra
• 主分类：multimodal
• 形态：method
• 被引：2262
• 被引来源：Semantic Scholar
• S2被引：2262
• OpenAlex被引：1017
• 影响力被引：101
• TLDR：It is pointed out that the attention inside these local patches are also essential for building visual transformers with high performance and a new architecture, namely, Transformer iN Transformer (TNT), is explored.
• OpenAlex ID：W3133696297
• OpenAlex DOI：10.48550/arxiv.2103.00112
• DOI：10.48550/arxiv.2103.00112
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/2103.00112
• OpenAlex更新：2026-08-08
• 待LLM分类：否
• 成熟度：research
• 场景：vision-transformer、architecture、image-recognition
• 标题中文：Transformer in Transformer
• TLDR中文：本工作指出，这些局部 patch 内部的注意力同样是构建高性能视觉 Transformer 的关键，并探索了一种新架构，即 Transformer iN Transformer (TNT)。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]