Swin-Transformer:Hierarchical Vision Transformer using Shifted Windows详细解读

Swin-Transformer:Hierarchical Vision Transformer using Shifted Windows

Swin Transformer是2021年微软研究院发表在ICCV上的一篇文章，并且已经获得ICCV 2021 best paper的荣誉称号。本文主要是为了记录在学习过程中遇到的一些问题，希望可以给大家带来帮助~

摘要

本文介绍了一种称为Swin Transformer的新型视觉Transformer，它可以用作计算机视觉的通用backbone
目前Transformer应用到图像领域主要有两大挑战：
（1）视觉实体变化大，在不同场景下Vision Transformer性能未必很好；（多层级）
（2）图像分辨率高，像素点多，Transformer基于全局自注意力的计算导致计算量较大。（滑窗）
针对上述两个问题，我们提出了一种包含滑窗操作，具有层级设计的Swin Transformer。

网络总体架构

在介绍总体框架之前，先说一下文章中给出的图1，图1中左边是本文要讲的swin transformer，右图是ViT模型（https://arxiv.org/abs/2010.11929）通过观察，可以发现两点不同：

1. Swin Transformer使用了类似卷积神经网络中的层次化构建方法（Hierarchical feature maps)。而在之前的Vision Transformer中是一开始就直接下采样16倍，后面的特征图也是维持这个下采样率不变。
2. 在Swin Transformer中使用了Windows Multi-Head Self-Attention**(W-MSA**)的概念，相对于Vision Transformer中直接对整个特征图进行Multi-Head Self-Attention，这样做的目的是能够减少计算量的，虽然减少了计算量但也会隔绝不同窗口之间的信息传递，所以在论文中作者又提出了 Shifted Windows Multi-Head Self-Attention(SW-MSA)的概念，通过此方法能够让信息在相邻的窗口中进行传递。

接着，看一下网络的总体架构，可以把它分为5部分：
（1）patch partition是对图片做一个划分，如果每个patch size是4，那就是对图片做一个划分，一共有224/4* 224/4个patch，每个patch的维度就是443，然后把一个个patch在通道方向拉平，也就是48，把维度展平。
（2）linear embedding层(后面接了一个层归一化）是对每个像素的channels数据做线性变换，把48映射到后续swin transformer block需要的embedding size，比如架构中把48映射为C，图像大小变为224/4×224/4×C
（3）经过2个swin transformer block，如架构中的图b，是两个encoder，transformer的编码器从来不改变他的输入输出的形状，所以经过swin transformer block形状没有发生变化。输出图片大小仍然为224/4×224/4×C
（4）之后就是patch merging做一个融合，他的作用就是缩小分辨率，增大感受野，做一个下采样，也就是说他这里有一个维度的变化，之前维度是C，转变为962，其实他在做下采样的时候是先变成C4，然后C这个维度又做了个linear，映射到为2。所以它的维度为224/4×224/4×2C，经过swin transformer block形状没有发生变化，后面的结构也一样
（5）最后对于分类网络，后面还会接上一个Layer Norm层、全局池化层以及全连接层得到最终输出。

patch Merging（本模块参考的是霹雳大神的讲解）

除Stage1外，在每个Stage中首先要通过一个Patch Merging层进行下采样。如下图所示，假设输入Patch Merging的是一个4x4大小的单通道特征图（feature map），Patch Merging会将每个2x2的相邻像素划分为一个patch，然后将每个patch中相同位置（同一颜色）像素给拼在一起就得到了4个feature map。接着将这四个feature map在深度方向进行concat拼接，然后在通过一个LayerNorm层。最后通过一个全连接层在feature map的深度方向做线性变化，将feature map的深度由C变成C/2。通过这个简单的例子可以看出，通过Patch Merging层后，feature map的高和宽会减半，深度会翻倍。

W-MSA

引入Windows Multi-head Self-Attention（W-MSA）模块是为了减少计算量。如下图所示，左侧使用的是普通的Multi-head Self-Attention（MSA）模块，对于feature map中的每个像素，在Self-Attention计算过程中需要和所有的像素去计算。但在图右侧，在使用Windows Multi-head Self-Attention（W-MSA）模块时，首先将feature map按照MxM（例子中的M=2）大小划分成一个个Windows，然后单独对每个Windows内部进行Self-Attention，这样做的目的是减少计算量，缺点是窗口之间无法进行交流。

它是如何减少计算量的呢，计算量减少了多少，论文中给出两个公式，但是并没有详细的描述公式是怎么来的，下面就让我们证明一下，公式（1）和公式（2）都是论文给出的，接下来我们来证明一下

计算注意力的公式为：

MSA计算步骤：
（1）输入x的维度为(hw,C)，生成Q,K,V三个特征向量，W的维度是(C,C),那么这三项的复杂度是3hwC^2,具体如下图所示，最后得到hwC个像素，每个像素做了C次计算，得到


(2）

（3）

（4）


最后相加起来就是公式（1）
W-MSA的计算步骤：

SW-MSA详解

采用W-MSA模块时，只会在每个窗口内进行自注意力计算，所以窗口与窗口之间是无法进行信息传递的。为了解决这个问题，作者引入了Shifted Windows Multi-Head Self-Attention（SW-MSA）模块。如下图所示，左侧使用的是刚刚讲的W-MSA（假设是第L层），那么根据之前介绍的W-MSA和SW-MSA是成对使用的，那么第L+1层使用的就是SW-MSA（右侧图）。根据左右两幅图对比能够发现窗口（Windows）发生了偏移（可以理解成窗口从左上角分别向右侧和下方各偏移了⌊ M /2 ⌋​个像素）。看下偏移后的窗口（右侧图），比如对于第一行第2列的2x4的窗口，它能够使第L层的第一排的两个窗口信息进行交流。再比如，第二行第二列的4x4的窗口，他能够使第L层的四个窗口信息进行交流，其他的同理。那么这就解决了不同窗口之间无法进行信息交流的问题。可以发现通过将窗口进行偏移后，由原来的4个窗口变成9个窗口了。后面又要对每个窗口内部进行MSA，这样做感觉又变麻烦了。为了解决这个麻烦，作者又提出而了Efficient batch computation for shifted configuration，一种更加高效的计算方法。下面是原论文给的示意图。

由于这个不好理解，因此找了一些材料帮助大家理解，下图左侧是刚刚通过偏移窗口后得到的新窗口，右侧是为了方便大家理解，对每个窗口加上了一个标识。然后0对应的窗口标记为区域A，3和6对应的窗口标记为区域B，1和2对应的窗口标记为区域C。之后先将区域A和C移到最下方，接着，再将区域A和B移到最右侧。



移动完后，4是一个单独的窗口；将5和3合并成一个窗口；7和1合并成一个窗口；8、6、2和0合并成一个窗口。这样又和原来一样是4个4x4的窗口了，所以能够保证计算量是一样的。但是把不同的区域合并在一起（比如5和3）进行MSA，这信息不就乱了吗？为了防止这个问题，在实际计算中使用的是masked MSA即带mask的MSA，这样就能够通过设置mask来隔绝不同区域的信息了。

对于该窗口内的每一个像素（或称token，patch）在进行MSA计算时，都要先生成对应的query(q)，key(k)，value(v)。假设对于上图的像素0而言，得到q0后要与每一个像素的k进行匹配（match），假设α 0，0 代表q 0 与像素0对应的k^0进行匹配的结果，那么同理可以得到α 0，0 至α 0 , 15。按照普通的MSA计算，接下来就是SoftMax操作了。但对于这里的masked MSA，像素0是属于区域5的，我们只想让它和区域5内的像素进行匹配。那么我们可以将像素0与区域3中的所有像素匹配结果都减去100（例如α 0 , 2 , α 0 , 3 , α 0 , 6 , α 0 , 7 等等），由于α 的值都很小，一般都是零点几的数，将其中一些数减去100后在通过SoftMax得到对应的权重都等于0了。所以对于像素0而言实际上还是只和区域5内的像素进行了MSA。那么对于其他像素也是同理，具体代码是怎么实现的，后面会在代码讲解中进行详解。注意，在计算完后还要把数据给挪回到原来的位置上（例如上述的A，B，C区域）。

模型配置

下图是原论文中给出的关于不同Swin Transformer的配置，T(Tiny)，S(Small)，B(Base)，L(Large)，其中：
win. sz. 7x7表示使用的窗口（Windows）的大小
dim表示feature map的channel深度（或者说token的向量长度）
head表示多头注意力模块中head的个数

参考资料：https://blog.csdn.net/qq_37541097/article/details/121119988
公众号：NLP从入门到放弃