论文：Swin Transformer

Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

论文：https://arxiv.org/abs/2103.14030
代码：语义分割、图像分类、目标检测

相关阅读：更多

---

差异

作者观察到Transformer在语言领域和视觉领域的 两种模式差异：

• 规模。与在语言 Transformer 中作为处理的基本元素的单词符号不同，视觉元素可以在规模上有很大的变化，在现有的基于Transformer的模型中，token 都是固定规模的。
• 计算复杂度。self-attention 的二次复杂度（计算一个token（词语）和所有其他token之间的关系，如下表），而图像中的像素分辨率比文本段落中的单词高得多，因此图像Transformer 的计算复杂度比语言Transformer 高得多。

	三	点	几	了	，	做	撚	啊	做
三
点
几
了
，
做
撚
啊
做

---

规模 & 计算复杂度

为了克服这些问题，作者提出Swin Transformer 用来构建层次特征图，由于只在每个局部窗口(如红色方块)内计算 self-attention，因此具有线性计算复杂度的图像大小。如下图所示，Swin Transformer通过从较小的patches(底层的灰色方块)开始，并逐渐合并更深的Transformer层中的邻近patches（例如，底层4个小灰块合并为中间层一个较大的灰块），构造了一个层次表示。有了这些层次特征图，Swin Transformer模型可以方便地利用高级技术进行密集预测，如特征金字塔网络(FPN)或U-Net。

线性计算复杂度是通过在非重叠窗口内局部计算 self-attention 来实现的，该窗口对图像进行划分(用红色标出)。每个窗口中的patches数量是固定的，因此复杂度与图像大小成线性关系。这些优点使Swin Transformer适合作为各种视觉任务的通用 主干 ，与以前基于Transformer的架构形成单一分辨率和二次复杂度的特征图形成对比。

Swin Transformer 的一个关键设计元素是它在连续的self-attention层之间的窗口分区的移动，如下图所示。移动的窗口桥接了上一层的窗口，提供了它们之间的连接，极大地提高了建模能力。这个策略在现实世界的延迟方面也是有效的:一个窗口内的所有查询patches共享同一个键集，这有助于硬件上的内存访问。相比之下，早期的基于滑动窗口的self-attention方法在一般硬件上受到低延迟的影响，这是由于不同查询像素的不同键集所致。实验表明，所提出的移位窗口方法比滑动窗口方法具有更低的延迟。

---

架构

Patch Partition：	Images分割成不重叠的patches，patch相当于语言Transformer的token，使用4×4的patch大小，因此每个patch的特征维数为4×4×3 = 48。
Stage 1：	每个patch的特征应用线性嵌入层(Linear Embedding)，将其投射到任意维度(记为C)。
	这些patches token上应用Swin Transformer Block。Transformer Block维持 token 的数量($\frac{H}{4}\times \frac{W}{4}$)。
Stage 2：	第一个patches合并层将相邻4个patches的特征 拼接起来(减少 token 的数量)，并在4c维的拼接特征上应用一个线性层。这将 patches 的数量减少了 4的倍(分辨率的2倍下采样)，并且输出维数设置为2C。
	然后应用 Swin Transformer Block 进行特征变换，分辨率保持在$\frac{H}{8}\times \frac{W}{8}$。
Stage 3：	同 Stage 2，输出分辨率分别为$\frac{H}{16}\times \frac{W}{16}$。
Stage 4：	同 Stage 2，输出分辨率分别为$\frac{H}{32}\times \underset{32}{}$