Deformable DETR中后一层Decoder的self-attentio的v是由什么输入？

Deformable DETR中后一层Decoder的self-attention的v是由编码器输出和上一层Decoder的输出拼接而成的。具体来说，v的输入是一个维度为$(B,N,C)$的特征张量，其中$B$表示batch size，$N$表示序列长度，$C$表示特征通道数。该特征张量由编码器输出和上一层Decoder的输出在序列维度上拼接而成，即$v=[v_{enc};v_{dec-1}]$，其中$v_{enc}$表示编码器输出，$v_{dec-1}$表示上一层Decoder的输出。