东吴证券：汽车行业深度报告：AI系列深度07期：CNN与ViT两类视觉骨干有何差异？

投资要点 视觉骨干网络是机器视觉系统的核心模块，其作用是把原始像素转化为高层语义特征，并决定分类、检测、分割等下游任务上限。CNN与ViT是过去十余年最重要的两代视觉骨干，分别代表“将图像先验写入结构”和“将关系学习交给数据与规模”两种设计哲学；二者之争本质上是先验、数据和算力如何分工。 视觉架构大体经历四个阶段：手工特征时代依赖SIFT、HOG等专家设计；CNN崛起后，AlexNet、VGG、ResNet推动机器自动学习视觉特征；ViT通过把图像切成patch并当作token输入Transformer，使注意力机制进入视觉；2021年后，Swin、CoAtNet、ConvNeXt等推动CNN与ViT相互吸收，进入融合时代。 CNN的优势来自三项视觉归纳偏置：局部连接、权值共享和平移等变性。这些结构假设使模型在数据有限时更高效，也更适合端侧和实时部署；约束在于局部感受野逐层扩大，长程依赖建模较弱。ViT以自注意力实现第一层全局交互，弱先验、强规模化，在大数据预训练下上限更高，但对数据、算力和位置编码依赖更强。 核心争议在于ViT是否真正“强于”CNN，还是更多受益于更大数据和现代训练范