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。然而，这种混合方法的有效性在很大程度上仍然归功于Transformer的固有优势，而不是卷积固有的归纳偏置。在这项工作中，我们重新审视了设计空间，并测试了纯ConvNet所能达到的极限。我们将一个标准的ResNet逐步“现代化”，使其朝着视觉Transformer的设计靠拢，并发现了几个关键组件，这些组件在这一过程中会导致性能差异。这次探索的结果是产生了一系列纯ConvNe