Swin Transformer：最佳论文，准确率和性能双佳的视觉Transformer

论文提出了经典的Vision Transormer模型Swin Transformer，能够构建层级特征提高任务准确率，而且其计算复杂度经过各种加速设计，能够与输入图片大小成线性关系。从实验结果来看，Swin Transormer在各视觉任务上都有很不错的准确率，而且性能也很高

来源：晓飞的算法工程笔记公众号

论文: Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

论文地址：https://arxiv.org/abs/2103.14030
论文代码：https://github.com/microsoft/Swin-Transformer

Introduction

长期以来，计算机视觉建模一直由卷积神经网络(CNN)主导。从AlexNet在ImageNet中的革命性表现开始，通过更大的规模、更广泛的连接以及更复杂的卷积形式逐级演变出越来越强大的CNN架构。另一方面，自然语言处理(NLP)网络架构的演变则采取了不同的路径，如今最流行的就是Transformer架构。Transformer专为序列建模和转导任务而设计，以使用注意力来建模数据中的长距离关系而著称。
Transformer在语言领域的巨大成功促使研究人员研究其在计算机视觉的适应性，目前也取得了很不错的结果，特别是用于图像分类的ViT以及用于视觉语言联合建模的CLIP。
本文作者尝试扩展Transformer的适用性，将其用作计算机视觉的通用主干，就像Transformer在NLP和CNN在视觉中所做的那样。将Transformer在语言领域的高性能表现转移到视觉领域所面临的主要挑战，主要源自两个领域之间的差异：

尺寸。token作为NLP Transformer中的基本元素，其尺寸是固定的，对应段落中的一个单词。但视觉目标的尺寸可能有较大的差异，这也是如物体检测等任务备受关注的问题，通常需要捕获多尺度特征来解决。而在现有的基于Transformer的模型中，token都是固定尺寸的，对应一个单词或固定的图片区域，显然不适用于当前的视觉应用任务。
数量级。与文本段落中的单词数量相比，图像中的像素数量要多很多。在许多如语义分割的视觉任务中，需要进行像素级的密集预测。而Transformer在高分辨率图像上的处理是难以进行的，因为自注意力的计算复杂度与图像大小成二次方关系。

为了解决这些问题，论文提出了Swin Transformer，能够构建层级特征图并且计算复杂度与图像大小成线性关系。
基于层级特征图，Swin Transformer模型可以很方便地结合先进的密集预测技术，如特征金字塔网络(FPN)或U-Net。如图1a所示，Swin Transformer从小尺寸的图像块开始，逐渐合并相邻图像块来构建层级特征。线性计算复杂度则是通过只在局部非重叠窗口（图1a红色区域）计算自注意力来实现的。由于窗口大小是固定的，所以复杂度与图像大小成线性关系。
Swin Transformer还有一个关键设计元素，就是在连续的同尺度self-attention层使用移位窗口分区(shifted window partition)。类似于对分组卷积的分组间通信优化，移位窗口能够促进前一层的窗口之间的特征融合，从而显著提高建模能力。常见的基于滑动窗口(sliding window)的自注意力，由于每个query对应的key集不同，所以都要单独计算注意力矩阵然后输出，实现上很低效。而移位窗口由于仅在窗口内进行自注意力计算，同窗口内的query对应的key集相同，key集可在窗口内共享，可直接单次矩阵计算同时完成全部注意力计算然后输出，在实现上十分高效。
Swin Transformer在图像分类、目标检测和语义分割的识别任务上取得了很不错的结果。在速度相似的情况下，准确率显著优于ViT/DeiT和ResNe(X)t模型。在COCO test-dev数据集上达到的58.7 box AP和51.1 mask AP，分别比SOTA高2.7和2.6。在ADE20K val数据集集上获得了 53.5 mIoU，比SOTA高3.2。在ImageNet-1K数据集上达到了87.3%的top-1准确率。

Method

Overall Architecture

Swin Transformer整体架构如图3所示，该图是Tiny版本Swin-T，分为以下几个部分：

Patch Partition：输入图像的处理跟ViT类似，通过patch splitting模块将输入的RGB图像分割成不重叠的图像块，直接将每个图像块内的RGB值concate起来作为一个token。在实现时，每个图像块的大小为 $4\times 4$ ，因此每个图像块的特征维度为 $4\times 4\times 3 = 48$ 。
Linear Embedding：随后，Linear Embedding层对这个原始特征进行处理，将其映射到指定维度大小 $C$ 。
Swin Transformer block：在得到图像块token后，连续使用多个包含改进自注意力的Transformer模块(Swin Transformer block)进行特征提取。
Patch Merging：为了构建层级特征，随着网络变深，通过Patch Merging层减少token的数量。第一个Patch Merging层将每个维度的 $2\times 2$ 的相邻图像块特征concate起来，并在得到的 $4 C$ 维特征上使用Linear Embedding层进行维度映射。这样，token量就减少了 $2\times 2 = 4$ 的倍数(相当于两倍下采样)并且映射到指定维度大小 $2 C$ ，最后同样使用Swin Transformer blocks进行特征变换。

Linear Embedding与后续的Swin Transformer blocks一起称为Stage 1，token的数量为 $\frac{H}{4}\times \frac{W}{4}$ 。第一个Patch Merging和Swin Transformer blocks称为Stage 2，分辨率保持在 $\frac{H}{8}\times \frac{W}{8}$ 。该过程重复两次，分别为Stage 3和Stage 4，输出分辨率分别为 $\frac{H}{16}\times \frac{W}{16}$ 和 $\frac{H}{32}\times \frac{W}{32}$ 。各Stage共同构建的层级特征，其特征分辨率与典型卷积网络相同，例如VGG和ResNet。因此，Swin Transformer架构可以方便地替换现有方法中的骨干网络，用于各种视觉任务。

Swin Transformer block

Swin Transformer模块将Transformer模块中的多头自注意力(MSA)替换为基于windows或shifted window的多头自注意力，其他层保持不变。如图3b所示，对于连续的Swin Transformer模块，前一个使用基于window的MSA模块，后一个使用基于shifted window的MSA模块，然后都是接一个带GELU非线性激活的两层MLP，每个MSA模块和每个MLP都有LayerNorm(LN)层和一个残差连接。

Shifted Window based Self-Attention

标准的Transformer架构及其在图像分类的应用都进行全局自注意力计算，计算每个token和所有其他token之间的关系。全局自注意力计算的复杂度是token数量的二次方，这显然不适用于许多需要大量token进行密集预测或产生高分辨率图像的视觉问题。

Self-attention in non-overlapped windows

为了高效计算，论文提出仅在局部窗口内计算自注意力，各窗口以不重叠的方式均匀地划分图像。假设每个窗口包含 $M\times M$ 个图像块，在包含 $h\times w$ 个图像块的特征图上，全局模式和窗口模式的计算复杂度分别为:

复杂度前面的部分应该是Q、K、V和最终输出的生成计算，后面部分是Q和K的矩阵相乘和权值与V的相乘。全局模式的计算复杂度与图像块数量 $h w$ 成二次方，而当 $M$ 固定时(默认设置为7)，窗口模式的计算复杂度则是线性的。所以当 $h w$ 很大时，全局自注意力计算通常是难以进行的，而基于窗口的自注意力则是可调整的。

Shifted window partitioning in successive blocks

类似于分组卷积的问题，基于窗口的自注意力缺乏跨窗口的连接，限制了建模能力。为了在保持高效计算的情况下引入跨窗口连接，论文提出了移位窗口分区(shifted window partitioning)方法，在连续的Swin Transformer模块交替使用两种不同分区逻辑。

如图2所示，第一个模块使用从左上角像素开始的常规窗口分区策略，将 $8\times 8$ 特征图均匀地划分为4个 $4\times 4$ (M = 4)大小的窗口。然后，下一个模块采用与前一层不同的窗口分区策略，将常规窗口移动 $(\lfloor \frac{M}{2}\rfloor, \lfloor \frac{M}{2}\rfloor)$ 个像素。
基于移位窗口分区方法，连续的Swin Transformer模块的计算变为：

其中 $\hat{z}^l$ 和 $z^l$ 表示 $l$ 层的(S)WMSA模块和MLP模块的输出特征，W-MSA和SW-MSA 分别表示使用常规窗口分区和移位窗口分区的窗口多头自注意。
移位窗口分区方法增加了上一层中相邻的非重叠窗口之间的联系，这在图像分类、物体检测和语义分割中是十分有效的。

Efficient batch computation for shifted configuration

移位窗口分区会导致窗口数变多，从 $(\lfloor \frac{M}{2}\rfloor, \lfloor \frac{M}{2}\rfloor)$ 个窗口变为 $(\lfloor \frac{h}{M}+1\rfloor, \lfloor \frac{w}{M}+1\rfloor)$ 个窗口，而且部分窗口的大小会小于 $M\times M$ 。在计算窗口自注意力时，一般会将多个窗口拼接成矩阵进行矩阵计算，要求每个窗口的大小一致。
一个简单的移位窗口分区的兼容做法是将较小的窗口填充到 $M\times M$ 的大小，然后在计算注意力时屏蔽掉填充的值。在常规分区中的窗口数量较少时，例如 $2\times 2$ ，使用这种简单的解决方案增加的计算量是相当大的( $2\times 2 \to 3\times 3$ ，增加2.25倍)。

为此，论文提出了一种更高效的批处理计算方法，通过向左上方向循环移位进行小窗口的合并计算，如图4所示。在移位之后，单个窗口可能由几个原本不相邻的子窗口组成，因此需要采用掩码机制将自注意力计算限制在每个子窗口内，掩码机制主要是屏蔽掉计算出来的注意力矩阵。在循环移位后，由于窗口数量与常规窗口分区的数量相同，因此计算量也相当。

Relative position bias

在计算self-attention时，论文参考当前一些研究的做法，在进行相似度计算时为每个head加入相对位置偏置(relative position bias) $B\in \mathbb{R}^{M^2\times M^2}$ ，注意区别于常规相对位置编码的做法：

其中 $d$ 是Q、K、V特征的维度， $M^2$ 是窗口中的图像块数。由于每个轴方向的相对位置均在 $[- M + 1, M - 1]$ 范围内，论文设置了一个较小尺寸的可学习偏置矩阵 $\hat{B}\in \mathbb{R}^{(2M−1)\times(2M−1)}$ (对应二维相对位置组合数量)，然后根据窗口中各位置的相对位置转换得到唯一索引编码，从 $\hat{B}$ 取对应的值构成 $B$ 矩阵。这样做的目的有两个，降低参数量( $(2M−1)\times(2M−1)$ vs $(M^2\times M^2)$ )，同时让相同位置的使用相同偏置。
从实验结果来看，与没有此偏置项或使用绝对位置偏置的对比，相对位置偏置有显著的性能提升。ViT使用了绝对位置偏置，论文也尝试进一步叠加绝对位置偏置，但测试会略微降低性能，因此在实现中未采用它。
当要fine-tuning不同窗口大小的模式时，预训练到的相对位置偏置也可通过bi-cubic interpolation进行转换。

Architecture Variants

论文构建了基础模型Swin-B，跟ViTB/DeiT-B的模型大小和计算复杂度差不多。此外，论文还涉及了Swin-T、Swin-S和Swin-L版本，分别是基础模型的模型大小和计算复杂度的0.25倍、0.5倍和2倍的版本。其中，Swin-T和Swin-S的复杂度分别对标ResNet-50(DeiT-S)和ResNet-101。默认情况下，窗口大小设置为 M = 7。对于所有实验，自注意力计算每个head的特征维度 $d = 32$ ，每个MLP的扩展层 $α = 4$ 。
这些模型变体的架构超参数是：