【RT-DETR实战】052、线性复杂度注意力：PVT，PoolFormer 思想借鉴

从一次显存爆炸说起

上周在部署RT-DETR到边缘设备时遇到个头疼的问题：输入分辨率提到640x640以上，显存直接爆了。

profile工具一跑，注意力模块占了70%+的内存。这才意识到，Transformer那O(N²)的复杂度在真实场景里有多要命。于是开始寻找既能保持性能又能降复杂度的方案，这就引出了今天要聊的线性注意力。

为什么需要线性复杂度？

传统自注意力的计算量随序列长度呈平方增长。对于目标检测任务，特征图拉平后的序列长度轻松上万（比如80x80的特征图就是6400）。这在实际部署中几乎是不可接受的，尤其对嵌入式设备。

PVT（Pyramid Vision Transformer）和PoolFormer给了我们两条不同的思路：一条是改造注意力机制本身，另一条是直接抛弃注意力用更简单的东西替代。

PVT的核心：空间缩减注意力

PVT最巧妙的地方在于SRA（Spatial Reduction Attention）。它不像ViT那样对每个patch都做注意力，而是先把特征图降采样。

classSpatialReductionAttention(nn.Mod