谈到TRansfoRMeR，你可能会想到一众NLP模型。
但现在，TRansfoRMeR其实还能替CNN把活给干了，并且干得还不赖。
比如微软亚研院最新提出的Swin TRansfoRMeR，就在COCO数据集的分割检测任务上来了个跨领域超车，一举达到SOTA。
关注NLP的盆友想必就会问，用TRansfoRMeR做CV任务，这个想法早已有之，也没见对CNN的地位有什么动摇，Swin TRansfoRMeR又有何不同？
这就涉及到TRansfoRMeR的CV应用存在的两个主要问题：
首先，基于TRansfoRMeR的模型，Token的长度是固定的。这对于NLP里的单词当然没有什么问题，但到了CV领域，视觉元素的比例各异，比如同一个场景中会存在大小不同的物体。 其次，图像中的像素与文本中的文字相比，对分辨率的要求更高。而常规的自注意力的计算复杂度，是图像大小的平方，这就导致其在像素级别进行密集预测时会出现问题。
而Swin TRansfoRMeR，就旨在解决这些NLP和CV之间差异带来的问题。
通过移动窗口计算的分层TRansfoRMeR 
Swin TRansfoRMeR的诀窍，核心是两板斧：
基于分层特征图，利用特征金字塔网络（FPN）或U-Net等技术进行密集预测 将自注意力计算限制在不重叠的局部窗口中，同时允许跨窗口连接，从而带来更高的效率。 
这第二板斧，也就是基于移动窗口的自注意力：
如上图所示，在l层，采用常规的窗口分区方案，在每个窗口内计算自注意力。
在下一层l+1，窗口分区会被移动，产生新的窗口。新窗口中的自注意力计算跨越了l层中窗口的边界，提供了新的关联信息。
具体而言，Swin TRansfoRMeR的整体架构是酱婶的：
将RGB图像分割成不重叠的图像块（Token）； 应用MLP（多层感知机）将原始特征转化为任意维度； 应用多个修改了自注意力计算的Swin TRansfoRMeR块，并保持Token的数量； 下采样层：通过合并2&tiMes;2窗口中的相邻图像块来减少Token的数量，并将特征深度增加一倍。 实验结果
研究人员让Swin TRansfoRMeR分别挑战了imageNet-1K、COCO和ADE20K上的图像分类、对象检测和语义分割任务。
其中，用于预训练的是imageNet-22K数据集，imageNet-1K数据集则用于微调。
结果显示，在COCO的分割和检测任务，以及ADE20K的语义分割任务上，Swin TRansfoRMeR都超越了CNN，达到了SOTA。
而在imageNet-1K的分类任务上，虽然没能超越EFFicientNet，但效果相当且速度更快。
论文笔记就分享到这里，如果想要了解更多细节，请戳文末传送门。
也期待你的读后感分享哟~
论文地址：
https://aRxiv.oRg/abs/2103.14030
开源地址：
https://Github.coM/MicRosoft/Swin-TRansfoRMeR
