CNN loob representatsiooni sõltuvalt mustrite täpsest asukohast, ViT loob representatsiooni asukohast sõltumatult.

CNN loob representatsiooni kogu pildi põhjal korraga seoseid modelleerides, ViT loob representatsiooni järk-järgult lokaalseid mustreid kombineerides.

CNN loob representatsiooni järk-järgult lokaalseid mustreid kombineerides, ViT loob representatsiooni kogu pildi ulatuses seoseid modelleerides.

CNN loob representatsiooni ilma pildi osadevahelisi seoseid arvestamata, ViT loob representatsiooni neid seoseid arvestades.