1. 背景介绍

原名：Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
获奖：2021 ICCV Best Paper

2.文章介绍

2.1概括

Swin Transformer 是一种新型的transformer，可以用作视觉和语言处理的统一模型

• 特性
  - 引出了一种具有层级的特征表达方式（基于self-attentation的shifted window）
  - 具有线性的计算复杂度（和输入的图像尺寸相关）
• 性能（state of the art）
  - COCO目标检测
  - ADE20K语义分割

2.2 创新点介绍

NLP和CV的不同点：
（1）CV包含不同的尺度，而NLP 把tokens作为transformer的基本元素。当前的cv中的transformer都是固定尺度的，不适合用作CV的任务。
（2）CV处理的是高分辨率的图像，而NLP处理的是位于文本段落中的单词。

2.2.1 层级特征图

（a）Swin Transform 创建的是具有层级的特征图，通过合并深层的图像的patches，并且具有线性的计算复杂度（因为仅对每一个局部的window做self-attentation计算）。其中，windows之间是不重叠的，每个window中的patches的个数是固定的。
patch：灰色框的区域。每个patch都会当作一个“token”
local window：红色框的区域

（b) ViT 产生的是一个低分辨率的特征图，并且具有平方的计算复杂度（由于对输入图像尺寸做self-attentation）。

2.2.2 shifted window的提出

shifted window是跨接上一层的windows，提升了模型的性能。在同一个window中的query patches共享相同的key集合，这样提升了访问内存的效率。想反，之前的slide window的方式的self-attentation访问内存比较低效，因为不同的query 像素点有着不同的key集合。
Figure2中，左侧l（L的小写）层是平均分的local window，而l + 1层将windows的形状调整（shifted），有着新的分配方式的windows。在这些新的windows中，self-attentation将会跨越上一层（l层）的windows边界，使得这些windows之间有了连接。

2.2.3 Swin-Tiny的结构

2.3.3.1Swin-Tiny的整体结构

Figure3 (a) Swin-Tiny的结构

输入：是RGB图（维度HW3）。

Patch Partition：通过一个patch切分模块对输入图进行切分成一个没有重叠的patches。每个patch当作一个“token”，它的特征是原始RGB值的一个concatenation. 比如，patch是44，那么每个patch的特征的维度就是44*3 = 48。 其中，H * W * 3 = H/4 * W/4 * 48。

Stage 1: Linear Embeding + Swin Transformer Block
Linear Embeding层：人为设定维度。使得raw-valued feature 投射(project)到任意维度，图中用C表示。
Swin Transformer Block：保持tokens 的数目 = H/4 * W/4。
故，输出维度就是H/4 * W/4 * C。

Stage 2：patch merging + Swin Transformer Block
patch merging: 联结（concatenates）每组2 x 2的相邻的patches的特征，并且在4C维度的联结后的特征上应用用一个线性层。这降低了4倍的tokens数量，其中4 = 2x2，2是倍下采样的倍数。 concatenate之后，H/4 变成 H/8, W/4变成W/8
然后输出的维度被设置成2C。
接下来Swin Transformer Block用于特征转换（feature transformation），保持 H/8 * W/8。
Stage 3: 高宽 = H/16 * W/16
Stage 4: 高宽 = H/32 * W/32

2.2.3.2两个连续的Swin Transformer 块的解释

Figure3（b）两个连续的Swin-T块
LN: LayerNorm
MSA：多头注意力机制（multi-head self attention）
W：常规的window采样
SW：shifted的window采样
其中，MSA和W-MSA的计算复杂度见公式(1)、(2)。很明显，MSA是和图像的宽高的平方相关的；W-MSA是和宽高的线性相关的(默认设置M=7，即window大小)。

z ^ \hat{z} z^ 和 z^l 分别代表 对块l分别做 (S)W-MSA和MLP之后的输出特征。

2.2.4 shifted windows

平均分成M x M大小的windows可以降低时间复杂度，由于没有重叠，导致缺乏跨windows之间的连接。为解决这个问题提出shifted window 划分方式，即变换两个连续的Swin Transformer blocks的划分方式。

如图Figure4，window的划分方式，对于cyclic shift中，首先是浅色阴影As、Bs、
Cs三个sub windows，下一次选的时候是深色的Ad、Bd、Cd这三个sub windows（s：shallow，d：deep）。A、B、C组成了一个batch window，即每个batch window包含了若干个sub-windows。
这两组A、B、Csub-windows在feature map上是不相邻的。用masking 机制来限制
{As : Aq, Bs:Bq, Cs:Cq} 做self-attentation。

Relative position bias对Swin Transformer没啥作用，故舍去。

2.2.5几个版本

Swin-Tiny、Swin-Small、Swin-Base、Swin-Large。