论文：https://arxiv.org/pdf/2301.00808.pdf
提出一个完全卷积的MAE框架和一个新的全局相应归一化层GRN，可以添加到ConvNeXt架构中，以增强通道间的特性经济。这种自监督学习技术和架构的改进的共同设计产生了一个新的模型family，称为ConvNeXt V2，它显著提高了纯convnet在各种识别基准上的性能，包括ImageNet分类，COCO目标检测和ADE20k分割。还提供了各种尺寸的预训练ConvNeXt v2模型，从而在ImageNet上具有76.7%精度的3.7M Atto model和88.9%精度的650M huge model。
提供了各种大小的预训练 ConvNeXt V2 模型，范围从高效的 3.7M 参数 Atto 模型到 650M 的 Huge 模型。如下图所示，这里也展示了论文题目中提到的强大的模型缩放能力（Scaling），即在所有模型大小的监督训练的 baseline（ConvNeXt V1）上，ConvNeXt V2 的性能都得到了一致的改进。
下 图展示了作者对每个特征通道的激