本文的核心思想，就是将mobilenet与transformer结合起来，通过mobilenet提取局部特征，transformer来提取全局特征。比较突出的是，本文采用了一种全新的并行结构，而不是之前的将cnn模型穿插在VIT中的方法，并且通过bridge，将全局与局部特征进行融合。结构如图所示：

                

         mobilenett以图像为输入堆叠mobile block(或inverted bottleneck)。它利用高效的depthwise和pointwise卷积来提取像素级的局部特征。transformer以一些可学习的token作为输入，与传统的VIT不同，这里的输入包含非常少的随机初始化的token（例如少于6个token），来降低计算成本。叠加multi-head attention和前馈网络(FFN)。这些token用于对图像的全局特征进行编码。

        可以看到，在准确率相近的模型中，Mobile-Former模型有相比小的计算量

        模型的内部结构如图：

 

        可以看到对于mobilnet->former模块来说，输入为原输入与局部特征融合做attention，计算公式如图：

        而对于former->mobilnet模块来说，输入为原输入与全局特征融合做attention，计算公式如图：

        同时，作者还最后，还从三个方面介绍了改方法的可解释性，这里就不多介绍。

        如有错误，欢迎批评指正！