阅读笔记-Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

来源: arXiv.21030v1
代码:https:// github.com/microsoft/Swin-Transformer [暂时未放出04/02]

Title


这篇文章提出了层次Transformer以使用transformer代替传统的CNN结构的backbone,这个思路和Pyramid Vision Transformer(PVT)很相似,后续我们将总结一些类似目的的方法,比如stand-alone self-attention,PVT等。 这篇文章另一个重要的创新点在于提出一种shifted windows划分方式,目的是解决对feature map划分产生了window边界不连续问题。
文章模型作为backbone,在检测、分割和图像分类任务上都刷新了性能指标。

我们先来看看Swin Transformer的结构:


architecture of a swin transformer
  1. 输入是H\times W\times 3的图像,尺寸可以变化
  2. 经过patch partition模块对图像进行划分,一般划分成4\times 4的不重叠网格,然后将每个window中的rgb特征进行cat,(和PVT相同),于是将特征变为\frac{H}{4}\times \frac{W}{4} \times 48的特征图;
  3. 将feature map送入stage1模块。 stage1中首先包含一层线性embedding层,将rgb特征映射到维度C, 后接着2个swin transformer块。swin transformer内部结构如(b)图所示,其核心部分是W-MSA和SW-MSA模块。基于W-MSA和SW-MSA的block交替搭建。 MLP包含2层,中间激活函数采用的GELU。第一层将维度扩大\alpha=4倍,最后一层没有激活函数(应该可以加入dropout)。

W-MSA和SW-MSA的区别在于对feature map的划分方式不同。我们先讲W-MSA。W-MSA本质上是对feature map进行固定尺寸的windows划分,然后在每个window中进行multi-head self-attention操作, 文章中window的尺寸M=7, 每个head的维度为32。

  1. 从stage2开始,将输入的featmap划分成2\times 2的网格,每个网格的特征concate成4C的特征,经过一层线性层转成2C的特征,然后送入swin transformer blocks中。线性层应该跟着激活层,激活函数文章没说。

以上就是基于swin transformer的backbone的构造。

W-MSA是在每个M\times M窗口内执行self-attention, SW-MSA执行的窗口划分进行了平移,像右下角循环移位int(M/2), int(M/2)之后同样的操作。
循环移位是文章提出的处理方式,实验证明了比最直接的加padding的方式有效,加padding的方式划分的窗口数会增大,H/M \times W/M \rightarrow (H/M+1)\times (W/M+1)
feature map的循环位移也是交替的,从而保证尽可能的融合windows之间的bound带来的不连续性。

在multi-head self-attention时,需要对window中的每个位置进行编码,这里采用的是相对位置编码,相对的是query的位置。

注意!注意! 方法值得注意的点:

  1. 每个位置的编码长度为1,对于MxM的窗口,每个位置的元素需要计算M^2个相对位置的相关关系,因此位置编码矩阵大小为M^2\times M^2, 但因为是相对位置,所以该矩阵是从(2M-1)\times (2M-1)的位置编码矩阵中采样获得的。
  2. 在循环位移时会产生图像边界线上的window组成patch,这时候需要使用掩码处理不同的位置,从而使其在计算att时只考虑原始空间的邻近点。
  3. 不知道Patching Merging的激活函数是什么。
    具体实现见模型复现.

不同结构的变种

variants

layer number 是每个stage中 swin transformer block的个数。

实验

实验部分在图像分类、目标检测和语义分割上都刷新了记录。但是设置的超参数对不同的任务需要设置不同的参数,相对复杂。

总结

回顾一下PVT,也是对image和featuremap进行了网格划分从而实现scale的缩小。不同的是key和value的范围。PVT是对featmap化成windows,每个windows抽取一个特征,进而能利用全局的特征,而swin transformer也是划分不同的windows,只是特征是融合了window内部信息。swin transformer性能优于PVT,个人认为可能是因为能更好的刻画类似CNN backbone中的局部特征逐层富集的过程。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 151,688评论 1 330
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 64,559评论 1 273
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 101,749评论 0 226
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 42,581评论 0 191
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 50,741评论 3 271
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 39,684评论 1 192
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,122评论 2 292
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 29,847评论 0 182
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 33,441评论 0 228
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 29,939评论 2 232
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 31,333评论 1 242
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 27,783评论 2 236
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 32,275评论 3 220
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 25,830评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,444评论 0 180
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 34,553评论 2 249
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 34,618评论 2 249

推荐阅读更多精彩内容