继vit之后，进一步证明了Transformer可以在视觉领域广泛应用，并且可以应用到半监督以及自监督中。
Swin Transformer：Hierarchical Vision Transformer Using Shifted Windows
Swin Transformer：用了移动窗口的层级式的Transformer，Swin来自Shifted Windows。
他可以像CNN一样做到层级式提取，使提取到的特征有多尺度的概念
摘要
Vit出现后虽然让大家看到了Transformer在视觉领域的潜力，但并不确定Transformer可以做掉所有视觉任务。
Swin Transformer可以作为一个通用的骨干网络。
面对的挑战：1、多尺度。 2、高像素。
移动窗口提高效率，并通过Shifted操作变相达到全局建模能力。
层次结构：灵活，可以提供各个尺度特征信息，容易使用到下游任务中。
最后分层设计和移位窗口方法也被证明对所有mlp体系结构都是有益的。
引言
Vit虽然可以全局建模，但单一尺寸和低分辨率减弱了对多尺寸特征的把握，然而对密集预测型任务多尺寸特征非常重要。同时Vit是全局建模，复杂度与图像大小为平方关系。
由此，借鉴CNN的先验知识和设计理念，提出了Swin Transformer。
1、复杂度
在小窗口内计算自注意力从而使复杂度降到线性，这利用了CNN中局部性的先验知识：同一个物体的不同部分和语意相近部分大概率相邻。
2、多尺寸特征
卷积神经网络为什么有多尺度特征？因为池化操作，池化能增大每一个卷积核的感受野。因此这里也提出一个类似池化的patch merging，将相邻的小patch合成大patch，增大感受野和获取多尺寸特征信息。有了这些多尺寸特征图就可以扔给分割，检测，这使它可以作为一个骨干网络。
shift操作
假设窗口大小为M，shift操作就是向右向下分别平移M//2个patch，然后在新的特征图重新进行自注意力，这让相邻窗口有了交互的能力。估计看到这里会一头雾水，先不用搞清，具体原理稍后就说。
先说说为什么会能够具有交互能力，比如第四行第四列的patch，最初只能和最左上角的窗口内的其他patch进行自注意力，但shift之后就可以和第四行第五列的patch，第五行第四列的patch，第五行第五列的patch进行自注意力，而这三个patch分别来自其它三个窗口，这就使得不同窗口间有了交互能力。再加上patch merging就可以做到全局自注意力操作了。
网络结构
整体结构
patch partition
与Vit类似，使用一个卷积核大小为4*4，步长为4，通道数为48的卷积神经网络后维度为(H/4,W/4,48)
linear Embedding
将维度调整到C，并且它还包含一个layer norm
Swin Transformer Block
输入输出维度不变。首先一个Swin Transformer Blocks包含两个block，分别将原有的Multi-head attention（MSA）替换成窗口注意力（Window-MSA）和滑动窗口注意力（Shifted Window-MSA）
Patch Merging
类似于池化，对特征图进行下采样，同时通道数变为2倍，后面细讲。
具体实现
Patch Merging
| 1 | 2 | 1 | 2 |
| 3 | 4 | 3 | 4 |
| 1 | 2 | 1 | 2 |
| 3 | 4 | 3 | 4 |
| 1 | 1 |
| 1 | 1 |
| 2 | 2 |
| 2 | 2 |
| 3 | 3 |
| 3 | 3 |
| 4 | 4 |
| 4 | 4 |
这里的1,2,3,4代表的是序号，也就是说先将序号相同的patch汇聚到一起，这时候有四个(H/2,W/2,C)的张量，再在C的维度依次拼接这四个张量得到（H/2,W/2,4C）的张量，对他在4C维度上进行layer norm。因为卷积神经网络每次下采样后通道数会变成两倍，因此我们通过一个Linear将其维度转变为(H/2,W/2,2C)。
W-MSA
目的：减少计算量
缺点：窗口之间无法进行信息交互。
做法:只对window之内的patch做self-attention。
以下是复杂度对比，推导见Swin-Transformer网络结构详解_swin transformer_太阳花的小绿豆的博客-CSDN博客
SW-MSA
再来仔细看这幅图：
将窗口向右向下分别平移M//2个patch，这时会出现9个窗口，并且每个窗口内的patch数不一样。
有两种解决方法，一种是对每个窗口进行补0，但这样就从一开始要计算的4个窗口变成了计算9个窗口，计算量大大增加。一种是通过masking方法来减少计算。
先将AC移到下方，再讲BA移到右方，被移动的和它现在相邻的在原本是没有关系的。比如原来C是天，最下面的是地，现在C被移到最下方，也不能说天在地下面。因此这些原本无关的patch就不能进行自注意力计算，因此我们需要使用masking。
现在我们已经得到了4*4的window，怎么进行mask呢？（如果看不懂强烈建议去学习朱导的精读，时间45:00。）
首先一个窗口有7*7个patch，那么向下向右平移7//2=3个单位。假设各部分按此编号。我们将窗口2展开，各个patch的来源应该是
3,3,3,3,3,3,3，
3,3,3,3,3,3,3，
3,3,3,3,3,3,3，
3,3,3,3,3,3,3，
6,6,6,6,6,6,6，
6,6,6,6,6,6,6，
6,6,6,6,6,6,6，
前28个来自3，后21个来自6。自注意力后得到
attention矩阵维度是49*49，左上角28*28的块是3号区域内的attention，右下角的21*21是6号区域内的attention，我们需要mask掉3号区域与6号区域的attention就可以。作者提到因为attention都是一个零点几的小数，所以我们直接给要mask掉的地方-100就可以做到softmax后其值为0.
类似的我们看看编号为12的窗口，它展开应该是这样的
1,1,1,1,2,2,2,
1,1,1,1,2,2,2，
1,1,1,1,2,2,2，
1,1,1,1,2,2,2
与刚才的方法类似，于是我们得到各个窗口的mask如下
最终我们还要把刚刚移动的移回去就大功告成。
相对位置偏移
因为本文仅供自己复习用，如果看不懂我写的强烈建议学习12.1 Swin-Transformer网络结构详解_哔哩哔哩_bilibili
时间37:00
这里的B就是相对位置偏移 。首先，在Swin Transformer中使用绝对位置编码表现并不好，其次相对位置编码表现得很好，因此我们用相对位置编码。。。
1、相对位置索引
假如特征图如下
| a | b |
| c | d |
这时候a,b,c,d的绝对位置索引是
| 0,0 | 0,1 |
| 1,0 | 1,1 |
a,b,c,d与其他的相对位置矩阵分别为(自己的索引减去别人的索引）
| 0,0 | 0,-1 |
| -1,0 | -1,-1 |
| 0,1 | 0,0 |
| -1,1 | -1,0 |
| 1,0 | 1,-1 |
| 0,0 | 0,-1 |
| 1,1 | 1,0 |
| 0,1 | 0,0 |
将四个矩阵展平，拼接
| 0,0 | 0，-1 | -1,0 | -1，-1 |
| 0,1 | 0,0 | -1,1 | -1,0 |
| 1,0 | 1，-1 | 0,0 | 0，-1 |
| 1,1 | 1,0 | 0,1 | 0,0 |
然后再将二维坐标转换为一维坐标，如果直接将行列坐标相加，会发生之前索引不同而之后索引相同的情况，如（-1，0）和（0，-1）
于是我们先给行和列都加上M-1，在这个例子中M=2。
说白了其实就是消除负数
| 1，1 | 1，0 | 0,1 | 0,0 |
| 1,2 | 1,1 | 0,2 | 0,1 |
| 2,1 | 2,0 | 1，1 | 1,0 |
| 2,2 | 2,1 | 1,2 | 1,1 |
然后我们给行标乘2M-1再和列标相加
| 4 | 3 | 1 | 0 |
| 5 | 4 | 2 | 1 |
| 7 | 6 | 4 | 3 |
| 8 | 7 | 5 | 4 |
通过上述方法我们让刚刚索引相同的值仍然相同，索引不同但行标列标相加后相同的情况索引不再相同，比如刚刚的（0，-1）和（-1，0）
2、相对位置偏置
我们根据相对位置索引去相对位置偏置表中取需要的值，相对位置偏置表的元素个数为（2M-1）*(2M-1),他是一个可学习的参数，相对位置索引是固定的
最终得到相对位置偏置
| 0.1 | 0.8 | 0.2 | 0.1 |
| 0.6 | 0.1 | 0.3 | 0.2 |
| 0.4 | 0.4 | 0.1 | 3 |
| 0.7 | 0.4 | 0.6 | 0.1 |
模型配置参数
消融实验
结论
复杂度同图像大小是线性关系。基于移动窗口的自注意力在密集预测型任务中非常有效。
最后，本文章仅供学习