卷积神经网络（CNNs）[1]、[2]、[3]、[4]、[5]、[6]在计算机视觉领域取得了显著进展，成为许多应用的主流技术。近年来，受到自然语言处理（NLP）成功的启发，基于自注意力的Transformer模型[7]被引入计算机视觉领域，并展示了出色的性能。尽管ViT[8]及其变体[9]、[10 ...