主干网络篇 | YOLOv10 更换主干网络之 ConvNext | 《纯卷积结构超越 ViTs》

论文地址：https://arxiv.org/pdf/2201.03545.pdf
代码地址：https://github.com/facebookresearch/ConvNeXt

视觉识别的“Roaring 20年代”始于视觉变换器（ViTs）的引入，它很快取代了ConvNets，成为最先进的图像分类模型。另一方面，普通ViTs在应用于一般的计算机视觉任务（如目标检测和语义分割）时面临困难。正是层次变换器（例如，Swin变换器）重新引入了几个ConvNet Prior，才使得Transformers作为一个通用的视觉骨干网络切实可行，并在各种视觉任务中表现出卓越的性能。