自从ViT出现，在分类任务中很快取代各种CNN网络拿下SOTA。ViT的模型设计结构和传统的CNN结构差异很大，会不会是CNN的设计结构限制了CNN的能力呢？如果把CNN的结构设计成和ViT类似，CNN又会有什么样的表现呢？Transformer的设计结构会影响CNN的性能吗？实验证明，CNN依然有效！仿照Transformer结构，作者对ResNet结构进行修改，实验证明修改后ResNet50的性能超过了Swin-T。