该研究提出了一种新型位置空间门控单元（PoSGU）和视觉 MLP（PosMLP），有效提高了性能并降低了参数复杂度。同时，研究探讨了随机位置编码和相对位置编码在图像识别中的应用，显著提升了模型的准确率。此外，研究还展示了自注意力网络在语音数据处理中的优势，以及多人姿态估计和跟踪的统一框架。