최근 비전 트랜스포머 모델은 다양한 컴퓨터 비전 분야에 적용되어 좋은 성능을 보이고 있다. 그러나, 비전 트랜스포머 모델은 귀납 편향 (inductive bias)이 부족하여 위치 정보를 추가하기 위한 위치 임베딩 방법이 필요하다. 토큰 시퀀스의 길이가 주어졌을 때 토큰의 절대적인 위치나 상대적인 위치를 기반으로 위치 정보를 임베딩하는 고정 길이 위치 임베딩 (fixed length position embedding) 방법에 비해, 가변 길이 위치 임베딩 (non-fixed length position embedding) 방법은 귀납 편향을 가지는 모듈을 이용하여 위치 정보를 더해주어 토큰 시퀀스의 길이와 관계없이 토큰에서 위치 정보를 추출할 수 있으며 모델이 변환 등변성 (translation equivariant)을 갖도록 만든다. 그러나 기존 연구들에 활용된 가변 길이 위치 임베딩 방법은 부정확한 위치 정보를 전달하고 있으며 두 가지의 제한사항이 존재한다. 첫 번째, 가변 길이 위치 임베딩은 입력 특징 맵에 많은 영향을 받아 위치 정보를 추출하는 데에 어려움이 있으며, 두 번째로 토큰 시퀀스의 위치 정보는 트랜스포머 블럭의 위치에 관계없이 일관적임에도 불구하고 가변 길이 위치 임베딩 방법은 매 블럭마다 중복해서 위치 정보를 계산하기 때문에 연산 효율이 떨어진다. 본 논문은 이러한 문제를 해결하기 위하여 중앙화된 위치 임베딩 (centralized position embedding) 방법을 제안한다. 제안하는 방법의 핵심은 각 트랜스포머 블럭에 흩어진 위치 임베딩 모듈을 재배치하여 하나의 중앙화된 위치 임베딩 네트워크로 통합하고 모든 블럭에 동일한 위치 정보를 전달하는 것으로써, 추가적인 연산 비용이 거의 없이 수용 영역을 확장시키고 연산 효율을 개선하여 앞서 언급한 가변 길이 위치 임베딩의 단점들을 개선한다. 다양한 컴퓨터 비전 문제에 대해 중앙화된 위치 임베딩을 여러 기준 모델 (baseline)에 적용한 결과, 기존의 위치 임베딩 방법에 비해 제안하는 위치 임베딩 방법이 위치 정보를 더욱 정확하게 추출하고 성능을 개선시켰으며 이는 본 논문의 주장을 뒷받침한다.