Как применять Vision Transformer к последовательности изображений
Vision Transformer обычно работает с 2D image patches. Как перенести такой подход на дорожные video segments?
Ответьте как на собеседовании
Ответьте вслух или запишите короткие тезисы. Поле необязательно — разбор откроется после попытки.