一、引言1.1 研究背景视觉Transformer（Vision Transformer, ViT）自2020年提出以来，在图像分类任务上取得了与CNN相当甚至超越的性能。ViT将Transformer的自注意力机制引入视觉领域，通过将图像分割为固定大小的patch序列，然后利用自注意力建模patch之间的全局依赖关系。ViT在图像分类上的成功激发了研究者将其应用于目标检测的热情。早期的尝试（如ViT-FRCNN、DETR等）证明了Transformer在检测任务上的潜力，但纯ViT骨干网络在目标检测中仍然面临诸多挑战：计算复杂度高：自注意力的计算复杂度是token数量的平方，高分辨率检测图导致计算量剧增缺乏局部归纳偏置：CNN固有的局部性和平移等变性是视觉任务的重要先验，ViT需要大量数据才能学到多尺度特征提取困难：ViT通常输出单一尺度的特征图，而检测任务需要多尺度特征金字塔小目标检测性能差：patch分割可能导致小目标信息丢失尽管如此，研究者们仍在不断探索纯Transformer骨干网络在目标检测中的应用。Swin Transformer通过引入窗口注意力和层级结构，在检测任务上取得了优异成绩。但Swin Transformer在一定程度上借鉴了CNN的层级设计思想，并非"纯"ViT架构。1.2 本文研究问题