一、Swin-Transformer Block的提出背景 传统Vision Transformer（ViT）通过全局自注意力机制建模图像特征，但存在两大缺陷：一是计算复杂度随图像分辨率平方增长（O(N²)），难以处理高分辨率输入；二是缺乏对局部……
