MSRA的Transformer跨界超越CNN，还解决了计算复杂度难题

鱼羊 发自 凹非寺

量子位 报道 | 公众号 QbitAI

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。

那么，问题来了。

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2×2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。