在此前，transformer已经通过ViT等作品展现出了它在cv领域的无限可能性，但是，vit主要针对的是图像分类问题的讨论，而分类只是cv众多问题中最基础的问题之一。那么，怎么用transformer进行物体检测，语义分割这些需要更复杂网络结构的任务呢？
介绍
在CNN对于图像分类，目标检测等问题的探索中，大家已经发现，检测，语义分割这类任务，相比于图像分类对于网络backbone有着不一样的需求。
而基于vit对于图像分类问题的探索，接下来，大家可以依葫芦画瓢，尝试解决更有挑战的问题了。
关于目标检测，语义分割这类任务，通常需要网络具有分层提取不同颗粒度的特征，并且，网络的是输入可能是更高分辨率的图像，输出也是更精细的特征，比如语义分割的mask。所以，基于transformer执行复杂cv任务的挑战在于1. 解决特征的尺度问题 2. 高效的处理大尺度的输入和输出。
这张图体现了vit和swin的区别，在vit中，每个block处理的都是相同大小的patch(16 x 16)
为了解决这些问题，swin transformer提出了shifted window的概念，去建立网络各层窗口的联系，此外，通过对于key的共享，我们可以实现显存更高效的使用。
参考李沐讲论文，在CNN中，我们可以知道，针对目标检测任务，我们通常使用FPN，而针对语义分割任务，我们通常使用UNet来解决问题，以及空洞卷积，PSP，ASPP。
方法论
Patch Merging-解决感受野的缩放问题
随着图像尺寸增加，计算量会面临O2级别的复杂度增加： 参考下面的图片，图像处理中，我们的输入通常是512*512以上的大小，再加上O2的复杂度，计算量飙升。在卷积网络中，通常会使用max pooling来实现感受野的缩放，而在swin transformer中，类似的需求是通过patch merging这个方法来满足，
其思路是，以4个元素为patch，分为4层，再通过线性层转换为2层，这样就实现了感受野长宽缩小一倍，通道数增加一倍。
The first patch merging layer concatenates the features of each group of 2 × 2 neighboring patches, and applies a linear layer on the 4C-dimensional concatenated features. This reduces the number of tokens by a multiple of 2×2 = 4 (2× downsampling of resolution), and the output dimension is set to 2C.
Shifted Window based Self-Attention
这里有三个词，shifted，window,self-attention,这三个词很值得推敲，因为它们是三个东西。因果关系是，因为self-attention的引入，我们需要考虑计算量，通过对于特定大小的patch计算注意力，我们保证了计算量没有随着图像尺度增加倍数增加。但是，单个窗口需要与相邻窗口建立联系，所以又提出了shift window的概念。
pixel --> patch --> window
patch是Vit就有的一个概念，意味着以多少个像素为集合进行attention的操作。window是swin提出的"新概念"，为了保证复杂度的限制，我们只在window中进行各个patch彼此间的注意力计算。
shift window
我们通过窗口的偏移，来实现与邻近window的交互，但是，在窗口偏移后，怎么处理edge上的元素呢？这里要考虑2个点，首先不希望增加计算量，其次，不希望像素位置不相邻的元素建立联系，比如左上方和右下方。所以，这里提出了cyclic shift, masked MSA两个概念。
Pixel shuffling
参考资料：