Durante casi una década, las redes neuronales convolucionales han dominado la investigación en el campo de la visión por computación. Sin embargo, la aparición de nuevos métodos que aprovechan los Transformers para dar sentido a las imágenes está dando bastantes buenos resultados. Los Transformers se diseñaron inicialmente para tareas de procesamiento del lenguaje natural con un enfoque principal en la traducción automática neuronal. Las investigaciones recientes proponen nuevas arquitecturas llamadas “Vision-Transformers” para procesar imágenes usando Transformers. Durante esta sesión explicaremos los principales problemas que tienen las redes neuronales y como los Transformers pueden mitigarlos haciendo uso del concepto de “self-attention”. Además, mostraremos un ejemplo de segmentación de imágenes con vision transformers en un Azure Percept en el que podremos apreciar en tiempo real las ventajas de este tipo de arquitecturas.