Swin Transformer 浅析

引言

因为ViT无法实现CNN中的层次化构建以及局部信息，由此微软团队提出了Swin Transformer来解决该问题。

Swin Transformer 的网络结构

其中Swin Transformer的结构采用层级化设计，一共分为4个阶段。

设将一个图像$(H,W,3)$输入到Patch Partition模块中进行分块，设每一个Patch为$4\times 4$的大小，则每一个Path的大小为16个像素，所以可以将一个大小为$(H,W,3)$大小的图像转换为$(\frac{H}{4},\frac{H}{4},4\times 4\times 3)$，然后通过Linear Embeding层将一个$(\frac{H}{4},\frac{H}{4},48)$的向量大小的Patch转化为$(\frac{H}{4},\frac{H}{4},C)$的大小，其中Patch Partition和Linear Embeding可以直接通过一个卷积层实现的。也就是说以图像大小224×224×3为例，经过第一层后数据维度变为56×56×(4×4×3)， 之后送入阶段1进行处理。

然后通过四个Stage构建不同大小的特征图，除了Stage1中先通过一个Linear Embeding层外，剩下三个stage都是先通过一个Patch Merging层进行下采样。

其中Swin Transformer采用了窗口内自注意力(W-MSA)，在阶段1中，数据从线性嵌入层出来之后，维度大小变为3136×96，这对于 Transformer块来说过大，因此需采用窗口内自注意力计算减小计算复杂度。

其中Swin-T block的结构如图所示

W-MSA 窗口多头注意力机制

Swin-T将特征图划分为多个窗口，然后对每一个窗口进行自注意力的计算，这可以有效的的减少计算量。

具体来说，自注意力计算流程如下图所示。向量与三个系数矩阵相乘后分别得到Q、K和V。然后Q与K相乘得到自注意力A，A再与V相乘，然 后经过投射层得到最终结果。

普通的自注意力计算复杂度为$\Omega (MSA)=4hw{C}^2+2(hw{)}^{2}C$，而窗口内自注意力计算复杂度为$\Omega (W-MSA)=4hw{C}^2+2M^{2}C$​。

SW-MSA 滑动窗口多头注意力机制

Swin Transformer使用窗口内自注意力计算，虽然可以大大减小计算复杂度，但是也让不同像素块缺少与其他像素块之间的联系。为了增加感受野，变相达到全局建模的能力，于是作者提出了滑动窗口机制。

如下图所示，红色正方形围住的部分是窗口，每个窗口内灰色的正方形为像素块。每次滑动时，窗口都向右下方向移动2个像素块。于是Layer l+1的第2个窗口（从1开始计算）综合了layer l的第1个和第2个窗口的信息，Layer l+1的第5个窗口（从1开始计算）综合了layer l的所有窗口的信息，所以可以综合获得全局信息。

如图所示设窗口大小为$4\times 4$。窗口的移动步长为$2\times 2$左上角从第0行第0列移动到第2行第2列由此产生了9个大小不一致的窗口，为了降低计算了，作者通过移动窗口的方式重新和合并成4个$4\times 4$的窗口。如下图所示。

但是在这样得到的新窗口内可能存在两个本来相距很远的像素块，它们本 来不应该放在一起计算，因此使用掩码多头自注意力解决，通过设置蒙板来隔绝不同区域的信息。在计算完毕后，再将其复原，否则该图就不断往右下方向循环下去了。

Patch Merging 图块合并

从阶段2开始，之后的每一阶段都是一个像素块合并层和Swin Transforme块，其中像素块合并层类似于卷积神经网络中的池化层，经过像素块合并层之后，数据的宽和高为原先的1/2，通道数为原先的2倍。