Der Transformer hat in der Computer Vision große Erfolge erzielt, während die Aufteilung von Bildbereichen (Patches) weiterhin eine Herausforderung darstellt. Bisherige Ansätze verwenden typischerweise feste Patch-Größen bei der Patch-Embedding-Transformation, was die semantischen Informationen von Objekten möglicherweise beeinträchtigen kann. Um dieses Problem zu lösen, schlagen wir ein neues deformerbares Patch-Modul (DePatch) vor, das lernbar ist und die Bilder datengetrieben adaptiv in Patches mit unterschiedlichen Positionen und Skalen aufteilt – im Gegensatz zu vordefinierten, festen Patches. Auf diese Weise kann unsere Methode die Semantik innerhalb der Patches effektiv bewahren. Das DePatch-Modul fungiert als Plug-and-Play-Komponente und lässt sich problemlos in verschiedene Transformer integrieren, um eine end-to-end-Trainingsstrategie zu ermöglichen. Wir bezeichnen den so erweiterten Transformer als deformables Patch-basiertes Transformer-Modell (DPT) und führen umfassende Evaluierungen von DPT in Bezug auf Bildklassifikation und Objekterkennung durch. Die Ergebnisse zeigen, dass DPT eine Top-1-Accuracy von 81,9 % bei der ImageNet-Klassifikation erreicht und bei der Objekterkennung auf MSCOCO 43,7 % Box mAP mit RetinaNet sowie 44,3 % Box mAP mit Mask R-CNN erzielt. Der Quellcode ist unter folgender URL verfügbar: https://github.com/CASIA-IVA-Lab/DPT.