【读论文】Swin Transformer

论文：https://arxiv.org/abs/2103.14030 如有侵权请联系博主

介绍

前几天读TCPMFNet时了解到了Transformer还可以应用到图像领域，这就激起了我的兴趣，刚好有了解到了VIT之后又推出了Swin Transformer，接下来我们就来一起看看吧。

网络架构

总体架构

总体的架构图如上，好像看着很复杂，其实后面四个阶段的做的工作是相同的，也就是说我们只要搞清楚一个阶段做的工作，就已经搞明白了整个架构的大部分了，这是不是就有学习的动力了，接下来我们一起来看看。

就看这一块就完事了

和我们之前了解的VIT相同，Patch Partition就是将原图划分为了一个个的小块（patch，4x4），然后在经过Linear Embeding将每个patch转换为我们想要的维度C，这两个过程也是可以直接通过一次卷积就可以实现，具体的步骤可以参考TCPMFNet中相关讲解。在图中也可以看到相关的注解，即原来H/4 xW/4 x 48转换为了H/4 x W/4 x C的输出（transformer中数据的维度不会发生变化）。

到这里你可能有点问题，H/4 xW/4 x 48 介是嘛呀

在前面我们已经知道了，每一个patch的大小是4x4，假设图片的高为H，宽为W，那样就可以划分为H/4 x W/4 个patch，一个patch中像素值数量为4x4即16，再乘通道数3，48就是这么来的，这一部分是Patch Patition的工作，Linear Embeding就是将H/4 xW/4 x 48 投射到C维度，即H/4 x W/4 x C。

Swin Transformer稍后仔细去讲，现在我们只需要知道经过他就是经过了一个transformer就可以了。

然后我们看一下Patch Merging，顾名思义哈，就是融合这些patch，那么为什么融？怎么融？

首先是为什么融？

类似于CNN的池化层，就是将token的数量减少，一方面减少了计算复杂性，另一方面也可以产生多尺度的特征。

那么怎么融？

即相邻的4个patch，被融为一个patch，4个patch在通道维度进行排列，此时一个patch的通道数是4C，然后再通过线性层将每个patch的通道数降为2C。具体过程看下图

通过上图的操作，你就会发现，需要处理的token数减少了四分之一，但每个token的维度变成了原来的两倍。通过Patch Merging原来的H/4 x W/4 x C变成了H/8 x W/8 x 2C，stage3和stage4的操作也与之相同，经过处理之后就变成了H/16 x W/16 x 4C和H/32 x W/32 x 8C。

这时再看最开始的结构图，你就会发现只剩swin transformer我们不了解，其他的都已经知道了。接下来我们就来讲swin transformer最重要的部分 ———— swin transformer block。

swin transformer block

首先，相比于VIT直接使用transformer的原始架构，swin transformer有什么改进呢？

我们知道在VIT在Patch Patition和Linear Embeding阶段和swin transformer是大致相似的，其中不同就在多头注意力（MSA）计算这个部分，VIT对整张图片的token进行计算，即每个token都会与其他的token进行计算，而swin transformer则是在窗口内计算，这个窗口是MxM（默认为7，即包含7x7个patch）大小的。

这就很有趣了，因为M是固定的，那么无论图片尺寸如何增大，他的整体计算复杂度也是线性增加的，与VIT的复杂度对比如下

这里MSA是VIT的计算复杂度，W-MSA是swin transformer的计算复杂度，可见MSA的复杂度是hw的二次方级，而W-MSA的计算复杂度与hw成线性关系。

看到这里你觉得是不是有点问题，我们在上一篇博客中提到，transformer相对于CNN来说可以关注全局信息，这就是transformer相对于cnn的一个优势，但这里进行窗口内的多头注意力计算，这是不是违背了使用transformer的初衷？

但很幸运的是，swin transformer提出的滑动窗口就是为了解决这个问题。

那么滑动窗口是怎么作用的呢，来看下下面这张图

不知道大家是什么感觉，反正我第一眼我不知道这在干啥

那么我们一起来看看，从上面的图中，我们可以看到左图的窗口划分（红色边界划分为一个窗口）之后每一个窗口都是4x4大小的，即每一个窗口包含4x4个patch（灰色边界线是一个patch），此时就可以进行第一步计算了，即W-MSA，在每一个窗口中独立进行多头注意力计算即可。之后，将窗口的划分线沿着对角线平移M/2距离即可，即x轴向下平移M/2，y轴向下平移M/2，这时就出现了右图的划分情况。

但这时我们发现每一个窗口的尺寸不再是相同的了，如果强行将每一个窗口填充到4x4大小无疑会增加计算量，作者就采用移动这些尺寸不合适的窗口，将这些窗口从新拼接成一个个新的窗口，从而使得每一个窗口仍然都是4x4大小。过程如下

在这里还做一下mask，因为在移动之后会使得原本不相邻的patch变成相邻的，原本不相邻的patch不应该进行计算。

那么应该怎么做mask呢，我们知道softmax计算时如果数是负数，他分到的权重就会很小，我们可以利用这个性质，即当我们对一个patch进行多头注意力的计算时，如果窗口中的某些patch与其并不相邻，那么与这个patch对应的QK设置为复数，在经过softmax之后，这个权重就等于0了，则经过计算之后，每一个元素中所含的信息不会包括之前不相邻元素的信息。 但是别忘记，计算结束之后需要将所有的块位移到原位置。

通过上诉两种划分情况的不断交替就可以是得每一个patch都包含所有patch的信息，这里以一个动态图来模仿这个过程。

这里将整张图片分成四个区域，分别是1234，12就代表该patch有1，2两个区域内的信息，1234就代表该patch有1，2，3，4四个区域的信息。动态图中共经过了两次W-MSA和一次SW-MSA。

这时候再看总体架构图中的右图，就会清晰了很多

W-MSA和SW-MSA就是两种MSA的方式，W-MSA是所有的窗口的patch都是原本就相邻的，直接计算即可，而SW-MSA是所有的窗口的patch并非就是原本就相邻的，需要将各种形状的窗口拼接在一起，从而使每个窗口的形状大小都一样。

最后来看下Attention的计算，唯一与transformer不同的就是这个B，即相对位置。

总结

在粗略的读完之后，只能说一句 小牛拉屁股——开了眼，在读完TCPMFNet之后就对图像领域的transformer有了兴趣，读完之后确实受益匪浅。

个人觉得很好的地方

• 滑动窗口的提出降低了计算复杂度，将原本与图片尺寸是二次方关系的复杂度降低到线性关系
• 出现了多尺度
• 采用相对位置

这次的博客是自己的一个笔记，想到啥就写啥了，写的有点糙。

参考

[1] Swin Transformer: Hierarchical Vision Transformer using Shifted Windows