AI系列深度07期：CNN与ViT两类视觉骨干有何差异？.docxVIP

东吴证券研究所1/10

东吴证券研究所

请务必阅读正文之后的免责声明部分

请务必阅读正文之后的免责声明部分

证券研究报告

证券研究报告·行业深度报告·汽车

汽车行业深度报告

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？

2026年07月30日

增持（维持）

投资要点

n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。

n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。

nCNN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。Vi