论文链接：https://arxiv.org/pdf/2108.05895.pdf
代码链接：无
1. 动机
vision transformer (ViT)可以很好地建模全局信息，并实现与CNN相比显著的性能提升。但是，当计算资源受限时，ViT的增益减少。而针对计算成本方面的挑战，MobileNet和它的变体仍然占据着主导地位，因为它们通过分解深度和点卷积在局部处理过滤器中的效率很高。这就引出一个问题，**能否有这样一个高效的网络，它可以有效地编码局部处理和全局交互?**虽然之前已有工作结合卷积和视觉Transformer的优势并获得了不错的性能，但是这些工作几乎都是将卷积和视觉Transformer进行串联！并联的性能如何呢？
2. 贡献
- 本文将设计模式由串联式转变为并联式，并提出一种新的网络，将MobileNet与Transformer并联，并在两者之间架设双向桥接，该网络命名为Mobile-Former，其中Mobil