本文提出SparseFormer方法，通过稀疏特征抽样模仿人类视觉识别，使用仅49个标记降低计算成本。实验表明，SparseFormer在ImageNet分类上性能与传统模型相当，且在准确度与吞吐量之间提供更好平衡，易于扩展到视频分类。