Swin Transformer

Shifted Window 窗口自注意力到全局自注意力，窗口建模到全局建模。

BackBone

上图为 Swin-Tiny的网络架构图。

• Swin-T: C = 96, layer numbers = {2, 2, 6, 2}
• Swin-S: C = 96, layer numbers ={2, 2, 18, 2}
• Swin-B: C = 128, layer numbers ={2, 2, 18, 2}
• Swin-L: C = 192, layer numbers ={2, 2, 18, 2}

Stage 0

Images：224 * 224 * 3 （H * W * 3）
Patch Partition： 56 * 56 * 48 （H/4 * W/4 * 48）

Stage 1

Linear Embedding：56 * 56 * 96 （H/4 * W/4 * C）。类似于卷积操作。

Swin Transformer Block * 2：3136 * 96。

Stage 2

Patch Merging：28 * 28 * 192 （H/8 * W/8 * 2C）。
Swin Transformer Block * 2：784 * 192。

Stage 3

Patch Merging：14 * 14 * 384 （H/16 * W/16 * 4C）。
Swin Transformer Block * 6：196 * 384 。

Stage 4

Patch Merging：7 * 7 * 768 （H/32 * W/32 * 8C）。
Swin Transformer Block * 2：49 * 768。

Patch Merging 操作

Swin Transformer Blocks 计算单元

1. 进入LayerNorm(层归一化)，然后进行多头自注意力(W-MSA)，进行LayerNorm(层归一化)，进行MLP操作
2. 进入LayerNorm(层归一化)，然后进行移动多头自注意力(SW-MSA)，进行LayerNorm(层归一化)，进行MLP操作
   

基于窗口自注意力计算复杂度推导

Multi-head Self-Attention模块（MSA）
Window Multi-head Self-Attention模块（W-MSA）

https://blog.csdn.net/qq_45588019/article/details/122599502

掩码操作

后续……

改进

测试中，后续更新……