Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation

标签：swin-transformer
作者：炼己者

---

本博客所有内容以学习、研究和分享为主，如需转载，请联系本人，标明作者和出处，并且是非商业用途，谢谢！

---

一. 概要

今天看到了这篇把swin-transformer用在分割上的文章，实在跪服，手速有点太快了，真心拼不过呀。这篇文章让我眼前一亮，他和以往的transformer用在图像分割领域的方法不一样。以往的transformer都是被用在encoder部分的，就是把UNet的encoder用transformer替换一下。再怎么改也跳不出这个范围，就没见过transformer用在decoder的。

论文连接：https://arxiv.org/abs/2105.05537

二、正文

这篇文章的要点就在于swin transformer是怎么成为decoder的，它是搞了一个patch expanding layer，这个层是怎么工作的呢。

我们看图，最后的那个Bottleneck，它是上采样之前的一层。它的大小是(W/32 × H/32 × 8C)。然后给它做个linear操作，扩张维度变成(W/32 × H/32 × 16C)。然后就是骚操作了，对它做一个rearrange操作，就是个维度调整的操作，把(W/32 × H/32 × 16C) 变成 (W/16 × H/16 × 4C)。就这样完成了上采样。是不是有种我也可以的既视感。这个rearrange的操作野生代码的窗口attention计算里面有。它是einops库里面的一个函数。
我这里直接贴它里面的代码使用

操作很简单，大家可以跟着敲一下代码感觉一下。这个函数的作用就是调整维度

作者为了证明这个patch expanding layer的效果，对比了双线性插值(bilinear interpolation)、转置卷积(transposed convolution)的比较，最后证明还是patch expanding layer牛逼。

三、总结

• 文章解决了什么问题？
  这篇文章解决了如何把transformer用在decoder上的一个问题，虽然做法很简单，但是很新颖。
• 作者采用了什么方法？
  提出了patch expanding layer的操作，关键在于rearrange的操作。和其他的方法比(比如线性插值、转置卷积)很有优势。
• 论文达到一个什么样的效果？
  在一些数据集上有效果(详情见论文)，很有潜力，也还有很多值得优化改善的地方。

作者最后说医疗图像都是3D图像，准备探索Swin-Unet在3D上的应用。唉，这就是最近我们在探索的呀，一直在把swin-transformer往3D上改，又要拼手速了。其实论文给的结果有些不是特别的好，但是奈何人家已经占坑了。

希望可以帮助到大家，如果你觉得这篇文章对你有一定的帮助，那就点个赞支持一下吧！如果有什么问题的话也可以在文章下面评论，我们一起交流解决问题！

---

以下是我所有文章的目录，大家如果感兴趣，也可以前往查看
戳右边：打开它，也许会看到很多对你有帮助的文章