Swin Transformer

1.题目和作者

Swin Transformer论文pdf版
Swin Transformer论文网址
Swin Transformer代码

文章标题：Swin Transformer:Hierarchiacl Vision Transformer using Shifted Windows

• Swin Transformer：用了移动窗口的层级式的Vision Transformer
• Swin=Shift（首字母）+Windows（前三个字母）

作者来自Microsoft Research Asia

• MSRA是研究的圣地，经常被誉为研究者的黄埔军校，从里面出来了一众大佬，而且产出了一系列非常有影响力的工作
• 比如大家耳熟能详的ResNet（单篇引用率已经超过10万），也是四位作者都在MSRA的时候完成的工作

2.摘要

这篇论文提出了一个新的Vision Transformer，叫做Swin Transformer。它可以被用来作为一个计算机视觉领域，一个通用的骨干网络。

• 因为Vit在结论中指出，ViT只是做了分类任务，把下游任务比如检测和分割，留给以后的人去探索了，所以说在ViT出来之后，大家虽然看到了Transformer在视觉领域的强大潜力，但是大家并不确定Transformer能不能把所有视觉的任务都做掉
• 所以Swin Transformer这篇论文的研究动机就是想来告诉大家使用Transformer没毛病，绝对能在方方面面上取代卷积神经网络，接下来大家都用Transformer就好了

但是直接把Transformer从NLP用到Vision是有一些挑战的，这个挑战主要来自两个方面，一个是尺度上的问题

• 比如我现在有一张街景的图片，里面有很多车和行人，里面的物体都大大小小的，这时候代表同样一个语义的词，比如说车或者是行人，他就有非常不同的尺寸，那这种现象在NLP就不会出现

另外一个挑战是图像的分辨率太大了

• 如果我们要以像素点作为基本单位的话，这个序列的长度就变得高不可攀，所以之前的工作的解决方案
• 方案一：用后续的特征图作为Transformer的输入
• 方案二：把图片打成patch，减少图片的分辨率
• 方案三：把图片画出一个个小窗口，然后在窗口里去做这个自注意力
• 所有的方案都是为了减少序列程度
• 基于这两个挑战，本篇论文的作者提出了hierachical Transformer

hierarchical Transformer的特征是通过一种移动窗口的方式学来的，移动窗口的好处，不仅带来了更大的效率

• 因为跟之前的工作一样，现在这个自注意力是在窗口内算的，所以这个序列的长度就大大降低了

同时通过shifting移动的这个操作，能够让相邻的两个窗口之间有了交互，所以上下层之间就可以有cross-window connection，

• 从而变相的达到了一种全局建模的能力

这种层级式结构的好处不仅非常灵活，可以提供各个尺度的特征信息，同时，因为这个自注意力是在小窗口之内计算的，所以计算复杂度是随着图像大小而线性增长的

• 而不是平方级增长
• 这也为作者之后提出的Swin V2铺平了道路，从而让他们可以在特别大的分辨率上去预训练这个模型
• 因为Swin Tranformer 像卷积神经网络一样有分层的结构，有了多尺度的特征，所以就很容易使用到下游的任务里

作者不光是在ImageNet-1K上做了实验，而且达到了非常好的准确度87.3
而且还在密集预测型任务上，比如物体检测，还有物体分割上取得了很好的成绩，比如在COCO上，AP达到了58.7，比之前最好的方法高了2.7个点，在语义分割ADE上，也达到了53.5的效果，比之前最好的方法高了3.2个点

• 这些数据集都是大家常刷的数据集

这种基于Transformer的模型，在视觉领域是非常有潜力的
对于这种MLP架构，用shift window的方法也能提升

3.引言

在视觉领域，卷积神经网络之前是主导地位，但是Transformer在NLP领域使用效果非常好，所以我们将Transformer用到视觉领域来

• 但是因为ViT已经做过这件事情了
• 所以Swin Transformer在第三段的开始，说明研究动机是想证明Transformer是可以用作一个通用的骨干网络，就是对所有视觉任务，不光是分类，在检测、分割视频上也都能取得很好的效果

作者先说了ViT，进行对比，Vision Transformer把图片打成patch

• 因为ViT里用的patch size是16*16的，16×就是16倍的下采样率，这也意味着，这里的每一个patch，自始至终代表的尺寸都是差不多的，它每一层的Transformer block都是16倍的下采样率，虽然它可以通过这种全局的自注意力操作，达到全局的建模能力，但是它对多尺寸特征的把握就会弱一些
• 对于视觉任务，尤其是这些下游任务，比如说检测和分割，多尺寸的特征是至关重要的
• 比如说对目标检测而言，运用最广的一个方法就是FPN(a feature pyramid network)，意思就是当有一个分层式的卷积神经网络之后，每一个卷积出来的那些特征，receptive field感受野是不一样的，能抓住物体不同尺度的特征，从而能够很好的处理这个物体不同尺寸的问题
• 对于物体分割任务来说，最常见的就是UNet，UNet为了处理物体不同尺寸，提出了skip connection这个方法，意思就是当一系列下采样做完之后，现在去做上采样，不光是从bottleneck里去拿特征，还从之前每次下采样完之后的东西里面去拿特征，这样就将那些高频率的这些图像细节又全都能恢复出来了
• 当然分割里常用的还有PspNet，还有DeepLab，这些工作里也有相应的处理多尺寸的方法，比如说使用空洞卷积，使用psp和aspp层
• 总之对于计算机视觉的这些下游任务，尤其是这些密集预测型的任务检测、分割，有多尺寸的特征是至关重要的

但是在ViT里，它处理的特征都是单一尺寸的，而且是low resolution

• 也就是说自始至终都是处理的16倍下采样率过后的特征，所以说它可能就不适合处理这种密集预测型的任务

同时对于ViT而言，它的自注意力始终是在最大的窗口上进行了，就是始终是在整图上进行的，所以它是一个全局建模，复杂度也是跟图像的尺寸进行平方倍的增长

• Swin Transformer借鉴了很多卷积神经网络的设计理念，为了减少序列的长度，降低计算复杂度，Swin Transformer采取了小窗口之内的自注意力，而不是像ViT一样在整图上去算自注意力
• 这样只要窗口大小是稳定的，自注意力计算复杂度就是固定的，那整张图的计算复杂度就会跟这张图片的大小而成线性增长关系，就比如这个图片增大了$x$倍，那窗口数量也就增大了$x$倍，计算复杂度也是增加了$x$倍
• 这个其实就是利用了卷积神经网络里的Locality的Inductive bias，利用这个局部性的先验知识，就是说同一个物体的不同部位或者语义相近的不同物体，还是大概率会出现在相连的地方，所以即使是在一个Local，一个小范围的窗口去算这个自注意力也是差不多够用的，全局去算自注意力，对于视觉任务来说其实是有点浪费资源的
• 另外一个挑战，如何去生成这个多尺寸的特征呢
• 卷积神经网络主要是有pooling池化操作，池化这个操作能够增大每一个卷积核能看到的感受野，从而使得每次池化过后的特征，抓住物体的不同尺寸
• 所以类似的Swin Transformer也提出了一个类似池化的操作，叫做patch merging，就是把相邻的小patch合成一个大patch，那这样合并出来的一个大patch，就能看到之前四个小patch看到的内容，感受野就增大了，同时也能抓住多尺寸的特征

Swin Transformer刚开始的下采样率是4倍，然后变成了8倍、16倍

• 一旦有了多尺寸的特征信息，有了4×、8×、16×的特征图，很自然的我们就可以将这些特征图输给一个FPN，从而就可以去做检测了
• 同样的道理，拥有多尺寸的特征图，也可以输给UNET，就可以去做分割了

所以这就是作者反复在论文里强调的，Swin Transformer是能够当做一个通用的骨干网络的，不光是能做这个图像的分类，还能做密集预测性的任务

作者在引言的第四段就开始讲Swin Transformer一个关键的设计，移动窗口的操作
如果在Transformer第L层，把这个输入或者说这个特征图分成这种小窗口的话，那就会有效的降低序列程度，从而减少计算复杂度

每一个灰色小patch就是最基本的元素单元
每一个红色的框是一个中型的计算单元，也就是一个窗口
在Swin Transformer里面每一个小窗口里面默认是有7×7=49个小patch，在这里只是画个示意图，主要来讲解shift操作时怎么完成的

• 假设4个红色窗口组合起来外面是蓝色的窗口，然后将这个蓝色的窗口整体像右下角平移两个，单位，就是先往下平移两个，再往右平移两个
• 如果按照原来的方式，就是没有shift，那么这些窗口之间是不重叠的
• 但是如果每次自注意力的操作都在这个小的窗口内进行了，那这个窗口里的patch，就永远无法注意到其他窗口里的patch信息，这就达不到使用Transformer的初衷了，因为Transformer的初衷就是更好的理解上下文
• 现在我们加上自注意力的操作，比如左边图的第一个红色窗口里的patch，本来只能与该窗口进行联系，而现在变成右边的新红色窗口之后，就可以跟其他窗口里的patch进行交互了
• 再配合上之后提出的patch merging，那合并到这个Transformer最后几层的时候，每一个patch本身的感受野就已经很大了，就已经能看到大部分图片了，然后再加上移动窗口的操作，现在它所谓的这种窗口内的局部注意力，其实也就变相的等于是一个全局的自注意力操作了，这样就是既省内存效果也好，所谓一石二鸟

引言第五段，作者展示了一下实验结果

引言最后一段，作者坚信一个CV和NLP之间大一统的框架是能够促进两个领域共同发展的

4.结论

作者强调了一下Swin Transformer在COCO和ADE20K上的效果非常好，远远超越了之前最好的方法，基于此，希望Swin Transformer能激发出更多更好的工作，尤其是在多模态方面

最关键的贡献是基于Shifted Window的自注意力，这个对很多视觉任务是非常有帮助的

• 但是如果这个Shifted Windows操作不能运用到NLP领域里，其实在模型大一统上这个论据就不是那么强了

所以作者说接下来他们的任务就是要将Shifted Windows用到NLP领域里

5.模型

• 作者就是先讲了卷积神经网络，然后又将自注意力是如何帮助卷积神经网络的，最后就是用Transformer来做骨干网络
  
• 假设ImageNet输入图片为224×224×3
• 第一步，将图片经过Patch Partition将图片大小变为56×56×48（224/4=56，4×4×3=18）
• 在该篇论文里，patch size是4×4，而不是像ViT那样16×16
• 接下来将向量的维度变成一个预先设置好的值$C$，对于Swin Tiny这个网络来说，也就是这个图里画的网络总览图，$C$=96
• 所以经历过Linear Embedding层之后，输入尺寸就变成了56×56×96，前面的56×56会被拉直成序列长度为3136的token，96就是每一个token的维度
• 接下来引入了基于窗口的自注意力（Swin Transformer Block）计算，每个窗口按照默认来说，都只有7×7=49个patch，所以说序列长度就只有49，解决了计算复杂度的问题
• 经过Swin Transformer Block尺寸是不变的

5.1Patch Merging

• 假设我们有一个张量，Patch Merging就是将临近的小patch合并成一个大patch（merging合并）
• 这样就可以起到下采样一个特征图的效果了

• 因为是下采样两倍，所以就是每隔一个点选一个，原来的一个张量，就会变成4个张量如，如上图，每隔一个点取一个，一开始取数字1，然后取数字2、3、4，这里的数字不是图像的值，而是对应的位置
• 如上图，假设原来张量的维度是$H\times W\times C$，经过一次采样之后每个张量的大小是$H/2、W/2$，我们再将4个张量，在$C$这个维度上拼接起来，就变成了$H/2\times W/2\times 4C$
• 相当于用空间上的维度去换了更多的通道数，通过这个操作就将原来一个大的张量变小了，就类似于卷积神经网络里池化的操作
• 之后又用1×1的卷积核，将通道维数降下来变成$2C$
• 通过上述操作就能将原来一个大小为$H\times W\times C$的张量，变成$H/2\times W/2\times 2C$的张量，空间大小减半，通道数乘2
• 所以再回到一开始的56×56×96，现在经过Patch Merging层，变成了28×28×192
• 经过Swin Transformer Block尺寸是不变的

第三和第四阶段都是同理
先做一个Patch Merging，再通过Swin Transformer Block
进一步降成了14×14×384,再进一步降成了7×7×768

• 将最后的7×7经过global average pooling（全局平均池化），拉直取平均值变成1了，原论文并没有画出来，因为Swin Transformer本义并不是只做分类的，还会去做检测和分割，所以只画了骨干网络的部分，没有去画最后的输出
• 如果最后是做分类，那么7×7×768就变成了1×768

6.基于移动窗口的自注意力

全局自注意力的计算会导致平方倍的复杂度

作者在论文中提到，去做窗口的自注意力机制，原来的图片会被平均分为一些没有重叠的窗口

• 如上图，我们将图像切成一些不重叠的方格，也就是橙黄色的，每一个方格就是一个窗口，并不是最小的计算单元
• 最小的计算单元是之前的patch
• 每个小方格是由7×7=49个patch组成的
• 所有的自注意力计算都是在这个7×7的小窗口里面完成的，所以序列长度永远都是49个
• 原来大的整体特征图的窗口数，每边是56/7=8，也就是8×8=64个窗口
• 所以我们会在64个窗口里分别去算自注意力

6.1计算复杂度对比

多头自注意力：
$\Omega (MSA)=4hw{C}^2+2(hw{)}^{2}C$

基于窗口自注意力：
$\Omega (W-MSA)=4hw{C}^2+2M^{2}hwC$
其中，$M$就是窗口的长度，也就是上述的7

• 先推导标准的多头自注意力：
• 如上图，比如现在有一个输入，自注意力会先将输入复制成3个向量，分别为$q、k、v$，具体每个值是什么意思可以参考文章Transformer，也就是原来的输入，分别乘了三个系数矩阵
• 一旦得到query和key之后，就将两者相乘得到自注意力的矩阵，有了自注意力矩阵之后，再与value相乘，因为是多头自注意力，所以最后还有一个projection layer投射层，这个投射层就会把向量的维度投射到我们想要的那个维度
• $hw\times C$乘三个$C\times C$的系数矩阵得到三个$hw\times C$的矩阵，计算复杂度为$3hw{C}^2$
• $q的hw\times C$×$k的hw\times C$=$hw\times hw$，计算复杂度为$(hw{)}^{2}C$
• 自注意力矩阵$hw\times hw$，与$v的hw\times C$相乘，计算复杂度也为$(hw{)}^{2}C$
• 最后投射层也就是$hw\times C$乘$C\times C$变成了$hw\times C$，计算复杂度为$hw{C}^2$
• 再推导基于窗口的自注意力：
• 同样是参考上图，也可以直接套用多头自注意力公式，只是$h、w、C$发生了变化，$h、w$变成了$m、m$，即每个窗口的长和宽
• 所以公式代入之后，就变成了$4w^2{C}^2+2M^{4}C$，这个公式是在一个窗口里算多头自注意力
• 那么我们的窗口数是$\frac{h}{m}\times \frac{w}{m}$个，再乘上式等于$4hw{C}^2+2M^{2}hwC$

6.2移动窗口

虽然解决了计算复杂度的问题，但是窗口和窗口之间没有了通信，这样就达不到全局建模了，于是就提出了移动窗口的方式

每次都要先做基于窗口的多头自注意力（W-MSA），再做一次基于移动窗口的多头自注意力(SW-MSA)，这样就达到了窗口和窗口之间的互相通信

• 这也是为什么Swin Transformer Block总是偶数，因为总需要上面两块连在一起

原来特征图上只有四个窗口，现在移动之后，变成了9个窗口
窗口数量增加了，窗口里每个元素大小也不一样

作者先引入cyclic shift（循环位移）操作

• 在得到9个窗口之后，进行cyclic shift（循环位移）操作
• 将上图的A、B、C移动到下面
• 在新的图像上将得到新的四宫格，移动之前和移动之后都是4个窗口，所以计算复杂度是不变的

但是新得到的四宫格里面的A、B、C是不一样跟灰色的做自注意力计算的，因为他们是从很远的地方人为移动过来的，所以并没有什么联系，

于是作者采用了掩码的方式

掩码操作之后，再采用一次循环位移，将A、B、C再还原回去，保持原来图片的相对位置是不变的，整体图片的语义信息也是不变的

• 如上图，每个窗口是7×7=49个patch，每个patch就是一个向量，再将窗口拉直

• 因为每次移位是窗口的一半，这里的窗口是7，也就是移动3

• 所以就有7×4=28个3号位元素，7×3=21个6号位元素

• 行就是向量的维度$C$

• 将左边矩阵转置，相乘，左边矩阵第一行与右边矩阵第一列相乘，以此类推

• 作者设置了掩码的模板矩阵，将需要计算的矩阵设置为0，不需要的设置为负很大的数

• 将模板矩阵与相乘得到的矩阵进行相加，不需要的模块就会变成非常小的数，再经过$softmax$操作之后就变成0了
  

• 同理，其他模块也是一样的操作，进行矩阵相乘，结果如上图

7.实验

做了两个预训练
一个是在ImageNet-1K上做预训练
一个是在ImageNet-22K上做预训练

测试都是在ImageNet-1K的测试集上去做的