Video Swin Transformer

• 发表：ICCV 2021
• idea：使用image recognition任务中提出的Swin Transformer来解决video recognition任务。至于Swin Transformer，请看上一篇文章.
  与图像相比，视频需要更多的输入标记来表示它们，因为视频还具有时间维度。因此，全局自我注意模块不适合视频任务，因为这将导致巨大的计算和内存开销。这篇文章通过follow Swin Transformer在自我注意模块中引入了一个局部感应偏置。
• 代码：Video-Swin-Transformer

详细设计

Video Swin Transformer，严格遵循原始Swin Transformer的层次结构，但将局部注意力计算的范围从仅空间域扩展到了时空域。由于局部注意力是在非重叠窗口上计算的，所以原始的Swin Transformer移位窗口机制也被重新表述为处理时空输入。

3D Patch Partition：将大小为2443的每个3D小块视为一个标记token。3D Patch Partition layer获得$T/2\ast H/4\ast W/4$个3维tokens，每个patch/token由96维特征组成
Linear Embedding：将每个token的特征投影到C维。
Patch Merging Layer：连接每组22个空间相邻的patch的特征，并应用线性层将连接的特征投影到其尺寸的一半
Video Swin Transformer block：它是通过将标准transformer中的多头自关注（MSA）模块替换为基于3D移动窗口的多头自关注模块并保持其他组件不变。
ps：基本都一样，只是引入了时间纬度。

• image–>video的改变
  （1）原始的image recognition中的Swing Transformer中的embedding layer的size是video中的一半（时间纬度为2），因此作者直接将其复制两次，然后乘以0.5以保证均值和方差。
  （2）对于relative position bias，原始的是(2M-1,2M-1)，而video中是(2P-1,2M-1,2M-1),也是直接复制2P-1次以保证每一帧中的相对位置偏差一致