卷积神经网络发展了这么多年，其结构都是经过无数研究者之手雕琢出来的，比如多阶段设计思想而 Swin 从 CNN 网络学习，把 ViT 搞成多阶段，不同阶段有不同分辨率，可以方便做下游，实际上这样的抄作业，不仅仅只有 Swin，PVT v1/v2、CoAtNet 等都体现了这个思想，你得承认现在很多 ViT 的改进方向都往 CNN 结合借鉴，抄抄经验更健康。但是CONVNET的结构是否也存在优化的可能呢？
大家一起来讨论一下哦
大家一起来讨论一下哦