本文是基于c++并根据yolov11模型编写的基于非极大抑制的操作。不同的模型输出还得根据实际情况修改代码。

在Swin Transformer中的划分窗口操作我个人认为实际上基于窗口的自注意力机制就是将原本的图像大小除以窗口的大小从而获得总的窗口的数量然后合并到Batch_size这个维度上。会把所有的元素按顺序重排，这样可能无法保持窗口之间正确的空间关系，导致恢复后的图像丧失空间结构。其次，图像在被拆分成窗口时可能存在边界处理、填充等问题，简单的。在划分完窗口送进Transformer块后需要调整回原

虽然代码中通过 reshape和 permute。

3×3：更适合捕获细节，通过堆叠获得更大感受野。5×5：适合中等感受野，平衡细节和上下文信息。7×7：用于全局感知，更适合注意力机制或任务初始阶段。选择卷积核大小需根据任务需求、网络深度和计算成本综合权衡。

SiLU（Swish）是一种相对较新的激活函数，通过平滑的非线性特性，可以在许多任务中提供更好的性能，尤其是深度神经网络。在避免 ReLU 中的“死神经元”问题的同时，保持了较好的训练效果。尽管计算上比 ReLU 稍复杂，但其在许多实际应用中展现了相较于其他激活函数的优势，尤其是在深度学习的复杂任务中，SiLU 能够提高模型的表现。