计算机视觉｜ConvNeXt：CNN 的复兴，Transformer 的新对手在计算机视觉领域，卷积神经网络（Convolutional Neural Networks，简称 CNN）长期以来一直是核心技术，自诞生以来，它在图像分类、目标检测、语义分割等诸多任务中都取得了令人瞩目的成果。然而，随着 Vision Transformer（ViT）的出现，计算机视觉领域的格局发生了重大变化。ViT 通过自注意力机制，打破了传统卷积神经网络的局部感知局限，能够捕捉长距离依赖关系，在图像分类等任务中展现出强大的性能，迅速成为研究热点 。