swin-base-patch4-window7-224-in22k_a13728898010050560647515

Swin Transformer 是 Vision Transformer 的一种。它通过在更深的层中合并图像块（以灰色显示）来构建分层特征图，并且由于仅在每个局部窗口（以红色显示）内计算自注意力，因此输入图像大小具有线性计算复杂性。