作者认为，交互复杂性是视觉识别一个重要特点。为此，作者通过复杂特征交互构建了一个纯卷积的网络 MogaNet 用于图像识别。MogaNet的整体框架如下图所示，架构和一般的 Transformer 网络非常类似，核心包括两个模块：spatial aggregation （取代注意力） 和 channel aggregation （取代FFN）。
（1）spatial aggregation 如下图所示，蓝色部分叫做 feature decomposition，用于 exclude trivial interactions. (我对这个模块的动机并不太理解，不过下面的 channel aggregation 也用到了这个) 。下面是 Moga模块，也就是多次 DWConv，作者认为是多阶门控。
（2）channel aggregation 如下图所示。当前的主流方法FFN中仅包括两个FC层。因此，作者进行了如下改进。我理解这个操作类似于是一个空间位置的注意力，但貌似也并不很一样，不清楚在其它论文里有没有类似的操作。
