Swin Transformer 是一種基于 Transformer 的視覺模型，由 Microsoft 研究團隊提出，旨在解決傳統(tǒng) Transformer 模型在計算機視覺任務中的高計算復雜度問題。其全稱是 Shifted Window Transformer，通過引入分層架構(gòu)和滑動窗口機制，Swin Transformer 在性能和效率之間取得了平衡，廣泛應用于圖像分類、目標檢測、分割等視覺任務，稱為新一代的backbone，可直接套用在各項下游任務中。在Swin Transformer中，提供大、中、小不同版本模型，可以進行自由選擇合適的使用。

論文原文：Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

1.??介紹

????????Transformer 最初在自然語言處理（NLP）領(lǐng)域大獲成功，但直接將 Transformer 應用于計算機視覺任務存在很多挑戰(zhàn)。傳統(tǒng)Transformer中，拿到了圖像數(shù)據(jù)，將圖片進行劃分成一個個patch，盡可能patch細一些。但是圖像中像素點太多了，如果需要更多的特征，就必須構(gòu)建很長的序列。而越長的序列算起注意力肯定越慢，自注意力機制的計算復雜度是，當處理高分辨率圖像時，這種復雜度會快速增長，這就導致了效率問題。

????????而且圖像中許多視覺信息依賴于局部關(guān)系，而標準 Transformer 處理的是全局關(guān)系，可能無法有效捕獲局部特征。Swin Transformer便采用窗口和分層的形式來替代長序列的方法，CNN中經(jīng)常提到感受野，在Transformer中對應的就是分層。也就是說，我們可以將當前這件事做L次（Lx），每次都會兩兩進行合并，向量數(shù)越來越小（400個token-200個token-100個token），窗口的大小也會增大。分層操作也就是，第一層的時候token很多，第二層合并token，第三層合并token，就像我們的卷積和池化的操作。而在傳統(tǒng)的Transformer中，第一層怎么做，第二層第三層也會采用同樣的尺寸進行，都是一樣的操作。

2. Swin Transformer 整體架構(gòu)

2.1. Patch Embedding

????????在 Swin Transformer 中，Patch Embedding 負責將輸入圖像分割成多個小塊（patches），并將這些小塊的像素值嵌入到一個高維空間中，形成適合 Transformer 處理的特征表示。在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）中，卷積操作可以用來提取局部特征。在 Swin Transformer 中，為了將輸入圖像轉(zhuǎn)化為適合 Transformer 模型處理的 patch 序列，首先對輸入圖像進行分塊。假設(shè)輸入圖像的大小為 224x224x3，其通過一個卷積操作實現(xiàn)。卷積操作可以將每個局部區(qū)域的像素值映射為一個更高維的特征向量。假設(shè)輸入圖像大小為 224x224x3，應用一個卷積層，參數(shù)為 Conv2d(3, 96, kernel_size=(4, 4), stride=(4, 4))，這表示卷積核的大小是 4x4，步長是 4，輸入的通道數(shù)是 3（RGB圖像），輸出的通道數(shù)是 96。卷積后，圖像的空間維度會變小，輸出的特征圖的尺寸會變?yōu)?56x56（通過計算：(224 - 4) / 4 + 1 = 56）。所以，卷積后的輸出大小是 56x56x96，這表示每個空間位置（56x56）都有一個96維的特征向量。

????????在 Swin Transformer 中，通常將圖像通過卷積操作分割成不重疊的小塊（patches）。每個小塊對應一個特征向量。例如，56x56x96 的輸出可以視為有 3136 個 patch，每個 patch 是一個 96 維的向量。這些特征向量將作為 Transformer 模型的輸入序列。根據(jù)不同的卷積參數(shù)（如 kernel_size 和 stride），你可以控制生成的 patch 的數(shù)量和每個 patch 的維度。例如，如果使用更小的卷積核和步長，可以得到更細粒度的 patch，反之則可以得到較大的 patch。

• kernel_size 決定了每個 patch 的空間大小。
• stride 決定了每個 patch 之間的間隔，即步長。

2.2. window_partition

????????在 Swin Transformer 中，圖像的特征表示不僅僅是通過 Patch Embedding 來獲得，還通過 窗口劃分（Window Partition） 來進一步細化和處理，通過窗口內(nèi)的局部注意力機制來增強計算效率并捕捉局部特征。

????????假設(shè)輸入的圖像經(jīng)過卷積處理后得到了大小為 56x56x96 的特征圖，將這個特征圖劃分為多個小窗口（window），每個窗口包含一部分局部信息，其中窗口大小為7x7，特征圖大小為56x56。為了將特征圖劃分成大小為 7x7 的窗口，我們首先計算在空間維度（高和寬）上可以分成多少個窗口，水平和垂直方向上，每個 7x7 窗口可以覆蓋 56 / 7 = 8 個窗口（總共 8x8 = 64 個窗口），窗口內(nèi)部的特征圖由 96 個通道組成。因此，在劃分后，特征圖的維度將變?yōu)?(64, 7, 7, 96)，其中：

• 64 表示窗口的數(shù)量（即 8x8 = 64 個窗口）。
• 7x7 是每個窗口的空間維度。
• 96 是每個窗口內(nèi)的特征通道數(shù)。

????????在 Swin Transformer 中，Token 通常指的是圖像中的局部特征，每個 Token 是圖像的一個小區(qū)域。在 Window Partition 過程中，我們將整個圖像的 Token 重新組織成窗口（Window）。之前每個 Token 對應一個圖像位置，現(xiàn)在每個 Token 對應一個窗口的內(nèi)部特征。所以，原來每個 Token（如卷積后的每個空間位置）代表了圖像的一部分信息，現(xiàn)在我們通過窗口劃分來捕捉更大范圍的局部信息。這種劃分有助于模型專注于圖像的局部結(jié)構(gòu)，同時減少計算量，因為每個窗口只在局部范圍內(nèi)進行注意力計算。

2.3. W-MSA（Windwow multi-head self attention）

????????在 Swin Transformer 中，W-MSA (Window Multi-Head Self Attention) 是關(guān)鍵的注意力機制，它通過在每個窗口內(nèi)部獨立地計算自注意力（Self-Attention）來減少計算復雜度，并捕捉局部特征。

????????通過 Window Partition 將特征圖劃分為 64 個窗口，每個窗口的尺寸為 7x7，并且每個位置的特征通道數(shù)為 96，因此每個窗口的形狀為 (7, 7, 96)，這些窗口將作為 W-MSA 的輸入。在 Multi-Head Self-Attention 中，首先需要將輸入特征矩陣（窗口內(nèi)的特征）通過三個不同的矩陣進行線性變換，得到 查詢（Q）、鍵（K） 和 值（V），這三個矩陣用于計算注意力得分。對于每個頭（Head），計算過程是獨立的。假設(shè)有 3 個頭，那么每個頭的輸入特征維度為 96 / 3 = 32，因為 96 維的輸入被平均分成了 3 個頭，每個頭負責 32 維的特征。在 W-MSA 中，針對每個窗口獨立計算自注意力得分，計算方法如下：

• 對每個窗口中的 49 個像素點（即每個位置的特征向量）進行查詢Q、鍵K、值V的計算。

• 自注意力得分（Attention Score） 是通過計算查詢與鍵的點積（或者其他相似度度量）得到的，這可以表示為：

  

  其中， 是每個頭的維度（在這里是 32），Q 和 K 的乘積衡量了每個位置之間的相似性。

• Softmax：通過 Softmax 操作將得分歸一化，使其成為概率分布，得到每個位置與其他位置的相關(guān)性。

• 加權(quán)值（Weighted Sum）：使用得分對值V進行加權(quán)求和，得到每個位置的最終輸出表示。

????????每個頭的自注意力計算都會產(chǎn)生一個形狀為 (64, 3, 49, 49) 的結(jié)果，其中，64 表示窗口的數(shù)量，3 表示頭的數(shù)量，49 是每個窗口中位置的數(shù)量（7x7），49 代表每個位置對其他位置的注意力得分（自注意力矩陣）。因此，每個頭會計算出每個窗口內(nèi)所有位置之間的自注意力得分，輸出的形狀為 (64, 3, 49, 49)。

2.4. window_reverse

? ?Window Reverse 操作的目的是將計算得到的 (64, 49, 96) 特征圖恢復回原始的空間維度 (56, 56, 96)。為此，我們需要將每個窗口的 49 個位置（7x7）重新排列到原始的圖像空間中。步驟：

• Reshape 操作： 每個窗口的特征圖形狀是 (49, 96)，我們將其轉(zhuǎn)換成 (7, 7, 96) 的形狀，表示每個窗口中的每個像素點都有一個 96 維的特征向量。

• 按窗口拼接： 將所有 64 個窗口按照它們在特征圖中的位置重新排列成 56x56 的大特征圖。原始的輸入特征圖大小是 56x56，這意味著 64 個窗口將按照 8x8 的網(wǎng)格排列，并恢復到一個 (56, 56, 96) 的特征圖。

????????在 Window Reverse 操作后，恢復得到的特征圖形狀是 (56, 56, 96)，這與卷積后的特征圖的形狀一致。56x56 是恢復后的空間維度，代表每個像素點在特征圖中的位置；96 是每個像素點的特征維度，表示每個位置的特征信息。

2.5. SW-MASA

為什么要滑動窗口（Shifted Window）？

????????原始的 Window MSA 將圖像劃分為固定的窗口（例如 7x7），并在每個窗口內(nèi)計算自注意力。這樣做的一個問題是每個窗口內(nèi)部的信息相對封閉，沒有與相鄰窗口之間的信息交流。因此，模型容易局限于各自的小區(qū)域，無法充分捕捉不同窗口之間的關(guān)聯(lián)。

????????通過引入 滑動窗口（Shifted Window）機制，窗口在原來位置的基礎(chǔ)上向四個方向移動一部分，重疊區(qū)域與原窗口有交集。這樣，原本相互獨立的窗口就可以共享信息，增強了模型的表達能力和全局感知。

位移操作（Shift Operation）

????????位移操作的細節(jié)如下：

• 初始的窗口被劃分為 4x4 的塊（例如 7x7 窗口），每個塊進行獨立的自注意力計算。
• 在進行位移時，原來 4x4 的窗口將被平移，變成新的大小為 9x9 的窗口，窗口重疊區(qū)域包含了不同窗口之間的信息。
• 通過平移，模型能獲取到更廣泛的信息，使得窗口之間能夠通過共享信息來融合彼此的特征，避免局部化。

????????Shifted Window MSA 會導致計算量的增加，特別是在窗口滑動后，窗口數(shù)量從 4x4 變?yōu)?9x9，計算量幾乎翻倍。為了控制計算量的增長，可以通過 mask 操作 來減少不必要的計算。在位移后，窗口之間會重疊。為了避免重復計算，我們可以使用 mask 來屏蔽掉不需要計算的部分。在計算注意力時，對于每個位置的 Q 和 K 的匹配，使用 softmax 時，設(shè)置不需要計算的位置的值為負無窮，這樣對應位置的注意力值將接近零，不會對結(jié)果產(chǎn)生影響。

????????在進行 SW-MSA 后，輸出的特征圖的形狀仍然是 56x56x96，與輸入特征圖的大小一致。通過 shifted window 和 mask 操作，模型不僅保留了原始的窗口內(nèi)的自注意力計算，還增強了窗口之間的信息交換和融合。即使窗口被移動了，經(jīng)過計算后的特征也需要回到其原本的位置，也就是還原平移，保持圖像的完整性。

2.6. PatchMerging

????????PatchMerging 是 Swin Transformer 中的一種下采樣操作，但是不同于池化，這個相當于間接的（對H和W維度進行間隔采樣后拼接在一起，得到H/2，W/2，C*4），目的是將輸入特征圖的空間維度（即高和寬）逐漸減小，同時增加通道數(shù)，從而在保持計算效率的同時獲得更高層次的特征表示。它是下采樣的過程，但與常規(guī)的池化操作不同，PatchMerging 通過將相鄰的 patch 拼接在一起，并對拼接后的特征進行線性變換，從而實現(xiàn)下采樣。具體來說，在 Swin Transformer 中，隨著網(wǎng)絡(luò)層數(shù)的加深，輸入的特征圖會逐漸減小其空間尺寸（即 H 和 W 維度），而同時增加其通道數(shù)（即 C 維度），以便模型可以捕捉到更為復雜的高層次信息。

????????假設(shè)輸入的特征圖形狀為 H x W x C，PatchMerging 通過以下步驟來實現(xiàn)下采樣和通道數(shù)擴展：

• 分割和拼接（Splitting and Concatenation）：

  • 輸入的特征圖會按照一定的步長（通常是 2）進行分割，即對每個 2x2 的 patch 進行合并。
  • 這樣原本的 H x W 的空間尺寸會縮小一半，變成 H/2 x W/2。
  • 然后，將每個 2x2 的 patch 內(nèi)部的特征進行拼接，得到新的特征維度。假設(shè)原始通道數(shù)為 C，拼接后的通道數(shù)為 4C。

• 卷積操作：

  • 對拼接后的特征進行 卷積，以進一步增強特征表達。卷積操作用于轉(zhuǎn)換特征空間，雖然通道數(shù)增加了，但通過卷積，特征能夠更加豐富。

2.7. 分層計算

????????在 Swin Transformer 中，模型的每一層都會進行下采樣操作，同時逐步增加通道數(shù)。每次 PatchMerging 后的特征圖會作為輸入進入下一層的 Attention 計算。通過這種方式，Swin Transformer 能夠逐漸提取到越來越復雜的特征，同時保持計算效率。每一層的 PatchMerging 操作實際上是將輸入的特征圖通過 線性變換（通常是卷積）合并成更高維度的特征圖，從而為后續(xù)的注意力計算提供更豐富的表示。

? ? ? ? 從圖中可以得到，通道數(shù)在每層中并不是從C變成4C而是2C，這是因為中間又加了一層卷積操作。

3.?實驗結(jié)果

????????在ImageNet22K數(shù)據(jù)集上，準確率能達到驚人的86.4%。另外在檢測，分割等任務上表現(xiàn)也很優(yōu)異。

參考資料：

【深度學習】詳解 Swin Transformer (SwinT)-CSDN博客

深度學習之Swin Transformer學習篇(詳細 - 附代碼）_swintransformer訓練-CSDN博客

圖解Swin Transformer - 知乎

【論文精讀】Swin Transformer - 知乎

ICCV2021最佳論文：Swin Transformer論文解讀+源碼復現(xiàn)，迪哥帶你從零解讀霸榜各大CV任務的Swin Transformer模型！_嗶哩嗶哩_bilibili