近年来，Transformer架构以雷霆之势席卷计算机视觉领域，从ViT到DETR再到Grounding DINO，各类Transformer模型频频刷新检测与分割性能的新高。在这样的大背景下，卷积神经网络（CNN）体系似乎逐渐退居二线。然