本研究提出了一种名为TopFormer的移动友好的架构，以不同尺度的Token作为输入，产生具有尺度感知的语义特征，并将这些特征注入到相应的Token中以增强表示能力。该方法在多个语义分割数据集上优于CNN和ViT网络，并在ARM移动设备上实现了较低延迟和更高的平均交并比精度。TopFormer的微型版本可以在ARM移动设备上实时推断。