Some questions about your code

您好，我对您关于使用卷积来实现Self-Attention，并因此来替代CNN backbone中的bottleneck这种设计非常感兴趣，但是关于Contextual Transformer block我有一些问题，想向您请教：
1. 基于contextual attention matrix w来attention所有的values map V得到attented feature map，为什么要是用LocalConvolution，而不是直接的矩阵乘法，这样设计的原因是什么呢，并且将contextual attention matrix进行reshape分组之后再与value map进行LocalConvolution， 这个LocalConvolution 具体是怎么实现的呢？：[reshape](https://github.com/JDAI-CV/CoTNet/blob/master/models/cotnet.py#85) - [LocalConvolution](https://github.com/JDAI-CV/CoTNet/blob/master/models/cotnet.py#88)

2. 代码中在static key与contextual dynamic key进行fusion之后，为什么又进行了一个类似Self-Attention的操作呢？这个设计的目标又是什么呢？好像在论文中并没有提关于这里的细节：

3. 最后，我想问的是，模型的前向传播过程中没有出现任何关于position encoding或者position bias的设计，是因为采取了卷积操作替代了之前的Self-Attention机制，由于卷积的捕捉local-range信息的能力，就不再需要position encoding来提供位置信息了，是这个原因吗还是其他的什么原因呢？

希望可以得到您的回复，谢谢！