Swin Transformer【Backbone】

背景

Swin Transformer是ICCV2021最佳论文。

ViT让transformer从NLP直接应用到CV有两个直接的问题：尺度问题（比如行人，车等大大小小的尺度问题在NLP领域就没有），序列问题（如果以图像像素点为基本单位，序列太大）。16个patch（分辨率低）使ViT可能不适合密集预测型的任务，全局建模使计算复杂度平方倍增长。

Swin Transformer让transformer也能做层级式的特征提取，使得提取的特征具备多尺度概念。窗口内计算自注意力使序列长度降低（计算复杂度随着图像大小线性增长，非平方级增长），移动使相邻两个窗口之间有了交互。语义相近的部分大概率出现在相邻的区域，这样local的设计是完全够用的，ViT的全局设计还是冗余的。

总的来说，是借鉴卷积的窗口滑动与自身全局视野的把握优势相结合。

模型结构

开始的操作可对比ViT理解，假设输入的图片[224,224,3]，经过Patch Partition打成[56,56,48]（类似ViT，不过这里的patch大小为4*4），经过Linear Embedding形成[56,56,96]，改成[3136*96]，再输入到Block的最终处理成[3136*96]。后再输入Patch Merging（空间大小除2，通道数乘2，为了对比卷积神经网络有了这样的操作，这种操作可以理解为以空间换维度，可看参考的视频，很详细。）成[28,28,192]，依次循环构成整个Swin Transformer。

Swin Transformer Block

前面提到，[56,56,96]的张量输入块后，是在在7*7的窗口里算自注意力。见第一张图(b)是Swin Transformer的一个基本计算单元（含两个Block），先在窗口计算自注意力，再在shift后的窗口做自注意力。

如何算滑动窗口后的自注意力这个细节看B站沐神的讲解吧。

参考

B站沐神Swin Transformer论文精读【论文精读】