Swin Transformer：Hierarchical Vision Transformer using Shifted Windows——论文分析

一、摘要

挑战：物体尺寸差异和高分辨率
Transformer可以用作一个通用的网络，而不像ViT那样只用于分类。

如上图，ViT全局建模，始终处理的是16倍下采样之后的特征，不适合密集预测型任务。
Swin Transformer为了减少序列长度，在小窗口内做自注意力，用了locality的归纳偏置，节省资源。patch merging，相邻小patch合成大patch，类似池化。

如上图，在 l 层加上shift操作，窗口之间能进行交互，从而有全局自注意力的效果。

二、模型

Stage 1
输入X：224×224×3
patch：4×4×3=48
patch-num：56×56
X=56×56×48

C=96
X = 56×56×96 = 3136×96
序列长度太长，通过Swin Transformer Block在窗口内做自注意力，最后输出尺寸不变，如下图所示：

输出56×56×96

Stage 2
输入56×56×96
patch merging：cnn下采样一个特征图的效果
输出28×28×192

Stage 3
输入28×28×192
patch merging
输出14×14×384

Stage 4
输入14×14×384
patch merging
输出7×7×768
最后全局池化拉成1×768

2.1 基于移动窗口的自注意力

假设尺寸是56×56×96
patch大小是7×7
一共有8×8个窗口，分别算自注意力。

多头自注意力的计算复杂度如公式1，输入图片尺寸是hw×C（C是向量长度），输出q、k、v，复杂度是3hwC²；q和k相乘，复杂度是(hw)²C；softmax后再与v相乘，复杂度是(hw)²C；得到的结果最后乘以映射权重矩阵C×C，复杂度是hwC²。

基于窗口的同理，每个窗口大小是M×M（M=7），1式中的hw=M²，总窗口数是hw/M²，故而窗口数乘以1式得2式。

图(b)所示得两个连续transformer的计算公式如下，先进行基于窗口的自注意力，然后移动窗口再计算自注意力。

2.2 通过掩码提高移动窗口的性能

对于移动窗口的图，可以通过padding0的方式对相同尺寸的窗口做自注意力，但效率不高；而cyclic shift通过如图所示的拼接，依然是划分成4×4个窗口，然后对包含不连续信息的窗口做masked MSA，如下所示，67是C，8是A，25是B，在对左下角的窗口做MSA时，会累加一个如右图矩阵模板，softmax后变为0。

同时还提出使用相对位置编码。

2.3 较传统移动窗口的区别

在传统的滑动窗口方法中。不同的查询q和q’ 将具有不同的相邻窗口，该窗口指示不同的key集。计算对内存访问不友好，因此实际速度不好。

在Swin Transformer中使用的非重叠窗口方法中，例如，在同一红色窗口中的不同查询，例如q和q’，将共享相同的key集。

官方代码库：https://github.com/microsoft/Swin-Transformer