Swin Transformer对CNN的降维打击

Posted 2021-12-11 奋斗丶

一、前言

一张图告诉你Transformer现在是多么的强！几乎包揽了ADE20K语义分割的前几名！

该文章详细解读Swin-transformer的相关内容以及高明之处。看完学不会，你在评论区打我！CNN已然在计算机视觉领域取得了革命性的成果，拥有着不可撼动的地位。Transformer最初用于NLP领域，但Transformer凭借其强大的特征表征能力，已经在cv领域杀出了一条血路。
paper链接：https://arxiv.org/pdf/2103.14030.pdf
代码链接：https://github.com/microsoft/Swin-Transformer

二、Swin Transformer

2.1 背景

Transformer最开始用于NLP领域，但其强大的表征能力让cv领域的研究人员垂涎欲滴。然而从NLP转为cv领域，存在两个天然的问题。

• 1.相较于文本，图像中像素的分辨率更高
• 2.图像的视觉实体尺寸之间差异很大

传统Transformer（例如transformer、ViT等）尽管有强大的特征表达能力，但其巨大计算量的问题让人望而却步。与传统Transformer不同的是，Swin-Transformer解决了Transformer一直饱受诟病的计算量问题。那么，Swin-Transformer是如何解决的计算量问题呢？让我们继续往下看吧。

2.2 Architecture概况

学习swin transformer之前，我们首先需要熟知以下几个概念：

• Resolution：假设一张图像的分辨率为224x224，这里所说的224就是像素。
• Patch：所谓的Patch就是由多少个像素点构成的，假设一个patch的size为4x4，则这个patch包含16个像素点。
• Window：window的size是由patch决定的，而不是由像素点，假设window的size为7x7，则该window包含49个patch，而不是49个像素点。

在对swin-transformer网络进行讲解之前，我们首先需要明确一点：无论是transformer还是swin-transformer结构，都不会改变输入的形状，换句话说，输入是什么样，经过transformer或swin-transformer后，输出跟输入的形状是相同的。
一般而言，我拿到一篇论文之后，会首先分析每个块的输入输出是怎样的，先从整体上对网络结构把握，然后在慢慢的细化。我们首先来梳理一下swin-transformer每个块的输入输出。

stage	Layer	size
	input image	224x224x3
	patch partition	224/4 x 224/4 x 4x4x3
1	linear embedding	224/4 x 224/4 x 96
1	swin transformer	224/4 x 224/4 x 96
2	patch merging	224/8 x 224/8 x 192
2	swin transformer	224/8 x 224/8 x 192
3	patch merging	224/16 x 224/16 x 192
3	swin transformer	224/16 x 224/16 x 192
4	patch merging	224/32 x 224/32 x 384
4	swin transformer	224/32 x 224/32 x 384

从结构图中可以看到，swin-transformer网络结构主要包括以下层：

• 1.Patch Partition：将输入图像划分为若干个patch
• 2.Linear Embedding：将输入图像映射要任意维度（论文中记为C，即C=96）
• 3.Patch Merging：降低分辨率，扩大感受野，获得多层次的特征信息，类似于CNN中的pool层
• 4.swin transformer：特征提取及特征表征

2.3 swin-transformer结构解析

到这里我们已经大致了解swin-transformer网络的基本结构，接下来，跟着我一块揭开Swin-transformer的真面目吧。一个swin-transformer block由两个连续的swin-transformer结构组成，两个结构不同之处在于：第一个结构中使用的是在一个window中计算self-attention，记为W-MSA；第二个结构中使用的是shifted window技术，记为SW-MSA。 在这一章节中，我们重点介绍swin-transformer是如何在一个window中进行self-attention计算的。

假设我们将window size设置为4，则一个window中包含4x4个Patch，如下图中的Layer l的不重叠窗口划分结果。但只在window中进行self-attention计算，使得各个windows之间缺乏信息的交互，这限制了swin-transformer的特征表达能力。
为此，swin-transformer的作者提出了top-left的窗口移位方式，如下图中Layer l+1所示。但这样的window移位方式增加了window的数量（从2x2->3x3），增加了2.25倍，且window之间的size也不尽相同，这导致无法进行并行计算。

基于上述两个原因，作者提出了shifted window技术，这也是整篇文章的核心所在。那么shifted window的过程是怎样的呢？

2.4 shifted window

假设input image的size为224x224,window的size为7x7，patch size为4X4，那么input image包含224/4 x 224/4个patch（56x56），如下图中的第一张图。我们将其划分为不重叠的window，每个window包含7x7个patch，如下图中的第2张图。接下来，我们将整张图像沿主对角线方向移位(floor(M/2),floor(M/2))个patch，这里的M代表window的size，则本例中移位(3,3)个patch，如第3张图所示。移位后，可以看到，一个window包含4个不同window的部分，如第4张图所示（蓝色网格线）。

我们假设移位后的图像是如下图所示的。我们分别对不同的区域进行编码，为什么要进行编码呢？这是因为我们对一个window中不同区域Patch进行self-attention计算没有任何意义。例如，区域3和区域4在原图中就是两个不相邻的区域，本身之间没有任何的联系。那么，swin-transformer是如何实现一个window中只有相同区域才进行self-attention计算的呢？

我们以右下角4个均不同的区域为案例进行演示。为简洁，我们将右下角的一个window进行简化，由原来的49个patch简化为4个patch，但过程是相同的。

首先我们根据patch的数量建立一个相关矩阵，本例中patch的数量为4，则建立一个4x4的矩阵，然后将x和y进行相减，相减后，相同区域的结果为0，不同区域的结果我们将其置为负无穷，得到一个mask矩阵，然后与计算得到的attention矩阵进行相加，这样便实现了相同区域进行self-attention计算。

2.5 Relative position bias

公式中的B即为相对位置信息。那么相对位置信息是如何计算的呢？我们假设有p1、p2、p3、p4四个patch，分别以p1、p2、p3、p4为原点，计算其余patch相对于原点的偏移量，如表1所示。计算完毕后，我们会发现有以下2个问题：

• 1.相对位置信息中出现负数
• 2.(0,1)和（1,0）虽然是2个不同的相对位置信息，但是它们相加的总偏移量相等。
  为了解决以上2个问题，论文作者做了如下操作：
• 1.为了方便后续计算，每个坐标的位置都加上偏移量，使其从0开始，避免负数的出现。
• 2.对0维度进行乘法变换，论文中是对0维度的数值乘以(2M-1)。
• 3.将0维度和1维度的数值进行相加，得到一个index值。
• 4.根据index的值，映射到权重矩阵中得到相应的权重值。
• 5.将attention矩阵与权重矩阵进行相加。
  

2.6 循环窗口移动技术是如何实现的

其实原理很简单，就是使用了torch.roll()这个方法，关于方法的解释及代码如下，大家可以了解一下。