论文解析[9] Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

Posted 2023-01-02 默_silence

发表时间：2021
论文地址：https://arxiv.org/abs/2103.14030
代码地址：https://github.com/microsoft/Swin-Transformer

文章目录

• 摘要
• 3 方法
• • 3.1 总体框架
  • 3.2 基于自注意力的移动窗口
  • 3.3 结构变形
• 5 结论

摘要

这篇论文提出了一个新的ViT叫作Swin Transformer， 它可以被用来当作计算机视觉领域一个通用的骨干网络。将Transformer从语言改编到视觉的挑战来自于两个领域的差异，比如同一个视觉实体有不同的尺度、相比于文本中单词，图像中像素的高分辨率。

为了解决这些差异，我们提出了一种层级的Transformer，它的特征是通过移动窗口来进行计算的。移动窗口不仅带来了更好的效率，也允许交叉窗口连接。这种层级结构拥有在不同尺度建模的灵活性，也拥有关于图像大小的线性计算复杂度。

这些Transformer的特征可以让它使用到广泛的下游任务中，包括图像分类，密集预测任务例如目标检测和语义分割。

层级设计和移动窗口方法也能够提升所有的MLP结构。

3 方法

3.1 总体框架

Swin Tranformer block

Swin Transformer是用基于移动窗口的模块替换Transformer block中的标准多头自注意力（MSA）模块。

一个Transformer block包括一个基于MSA的移动窗口模块，然后是一个二层的MLP。在MSA模块和MLP层之前，都有一个标准化层（LN）。

3.2 基于自注意力的移动窗口

用于图像分类的标准Transformer结构和它的改编都是使用全局自注意力，计算一个token和其他全部token的关系。全局计算导致了关于token数量平方的复杂度，导致了它不适合许多需要极大token的数据集的视觉任务，例如密集预测，或者表示一个高分辨率图像。

Self-attention in non-overlapped windows

对于有效的建模，我们提出在窗口中计算自注意力。窗口是以一种不重叠的方式均匀划分图像。假设每个窗口包含M×M个patch，计算一个全局MSA模块和一个基于h×w个patch的图像的复杂度：

前者是关于patch数量hw的平方复杂度，后者当M固定时，关于hw线性复杂度。当基于自注意力的窗口很大时，全局自注意力的计算往往是不可接受的。

Shifted window partitioning in successive blocks

基于窗口的自注意力模块缺少窗口之间的连接，会限制它的建模能力。为了引入窗口之间的连接并且保持不重叠窗口的计算效率，我们提出了一种移动窗口的划分方式，它可以在连续的Swin Transformer块中的两种划分方式之间交替。

第一个模块使用正常的窗口分割策略，从左上方像素开始，8×8的特征图平均分割成了2×2个4×4大小的窗口。下一个模块采用从上一层移动而来的窗口策略，通过（是⌊M/2⌋, ⌊M/2⌋）像素替换正常分割窗口。

带有移动窗口策略的Swin Transformer block计算：

${\hat{z}}^l$ 和 $z^l$ 代表W-MSA模块和MLP的输出特征，W-MSA和SW-MSA代表基于多头自注意力使用正常和移动分割策略。

移动窗口分割方式带来了邻近不重叠窗口之间的连接，对于图像分类、目标检测和语义分割来说是有效的。

Efficient batch computation for shifted configuration

使用移动窗口分割的一个问题是它会导致更多的窗口，从 ⌈h/M⌉×⌈h/M⌉ 变为 (⌈h/M⌉ + 1)×(⌈h/M⌉ + 1)，一些窗口会小于 M×M。一个朴素的办法是将小窗口填充为M×M，在计算注意力时掩盖填充的值。当使用正常分割的窗口数比较小时，例如2×2，使用这种方法提升的计算量是相当大的（2×2到3×3，2.25倍）。我们提出了一个更有效的batch计算方式，通过向左上方循环移动，如图4。

经过这次移动，一个窗口会由几个在特征图中不相邻的子窗口组成，因此一个掩码机制被用来限制每个子窗口中的自注意力计算。通过循环移动，窗口的数目和正常分割相同，并且是有效率的。

3.3 结构变形

我们创建了基础模型Swin-B，具有和ViT-B/DeiT-B相似的模型大小和计算复杂度。我们也引入了Swin-T, Swin-S和Swin-L，是0.25倍，0.5倍和2倍模型大小和复杂度。注意到Swin-T和Swin-S的复杂度相似于ResNet-50 (DeiT-S) 和ResNet-101。

5 结论

这篇论文提出了Swin Transformer，可以生成层级特征表示和关于输入图像大小线性复杂度的一个新ViT。它在COCO目标检测和ADE20K语义分割上取得了sota的表现，显著超过先前的最佳表现。我们希望Swin Transformer在不同视觉问题上的强大表现可以激发视觉和语言信号的统一建模。

作为Swin Transformer的一个关键元素，基于自注意力的移动窗口在视觉领域上是有效和有效率的，我们期待研究它在 nlp 上的使用。