文章中的细节问题

[CIawevy]

你们好，很高兴在你们优秀的论文中学习，整个Modle的可视化做的也非常好看。我在阅读过程中有一个问题不知道你们可不可以解决一下。
1.基于vision transfomer block的特征提取中，如下图所示，有多箭头输入NL-TEM，这一步在论文中没有提及怎么做的，具体是几个token传入呢？transfomer block的n设置为多少？这两个问题与我下面的想问的问题也有关

2.文中说FSD中总共用了12个AMI，从12-6-3-2-1。似乎初始输入给decoder的token数量为12，这样才与论文描述相符合。按照我得理解，NL-TEM对于n个输入的token可以生成n个对应的加强过locality的image。那么结论是输入给NL-TEM的tokens length 理应也是12。这很奇怪，在回答问题一transfomer block输出是什么情况以后我还想了解，NL-TEM到SFD之前是否通过了MLP或者其他手段使得维度降维到12？

希望能得到您的关注，谢谢！

[CIawevy]

我记得VIT中不会改变输出的数量，为什么是12而不是w*H/(s**2)个token呢？谢谢！

[ZhouHuang23]

感谢您对我们工作的关注，代码已上传，请查看细节。