层级化注意力：Swin Transformer的架构革新 传统Vision Transformer（ViT）将图像切分为固定大小的patch序列，通过全局自注意力建模长程依赖，但存在两大核心缺陷：计算复杂度随图像分辨率平方增长（O(N²)），以及……
