视觉Transformer (ViT) 的快速发展刷新了各类视觉任务的最先进性能，使传统基于CNN的模型相形见绌。这引发了CNN领域近期几项引人注目的反击研究，表明经过精心调优的纯CNN模型可以达到与ViT模型相当的性能。尽管这一结果令人鼓舞，但设计此类高性能CNN模型具有挑战性，需要深厚的网络设计先验知识。