Navigation

    Gpushare.com

    • Register
    • Login
    • Search
    • Popular
    • Categories
    • Recent
    • Tags

    【GiantPandaCV】图解swin transformer

    CV领域
    1
    1
    47
    Loading More Posts
    • Oldest to Newest
    • Newest to Oldest
    • Most Votes
    Reply
    • Reply as topic
    Log in to reply
    This topic has been deleted. Only users with topic management privileges can see it.
    • Violet_恒源智享云
      Violet_恒源智享云 last edited by

      引言

      目前Transformer应用到图像领域主要有两大挑战:

      • 视觉实体变化大,在不同场景下视觉Transformer性能未必很好
      • 图像分辨率高,像素点多,Transformer基于全局自注意力的计算导致计算量较大

      针对上述两个问题,我们提出了一种包含滑窗操作,具有层级设计的Swin Transformer。

      其中滑窗操作包括不重叠的local window,和重叠的cross-window。将注意力计算限制在一个窗口中,一方面能引入CNN卷积操作的局部性,另一方面能节省计算量。

      Swin-T和ViT

      在各大图像任务上,Swin Transformer都具有很好的性能。

      本文比较长,会根据官方的开源代码(https://github.com/microsoft/Swin-Transformer)进行讲解,有兴趣的可以去阅读下论文原文(https://arxiv.org/pdf/2103.14030.pdf)。

      整体架构

      我们先看下Swin Transformer的整体架构

      Swin Transformer整体架构

      整个模型采取层次化的设计,一共包含4个Stage,每个stage都会缩小输入特征图的分辨率,像CNN一样逐层扩大感受野。

      • 在输入开始的时候,做了一个Patch Embedding,将图片切成一个个图块,并嵌入到Embedding。
      • 在每个Stage里,由Patch Merging和多个Block组成。
      • 其中Patch Merging模块主要在每个Stage一开始降低图片分辨率。
      • 而Block具体结构如右图所示,主要是LayerNorm,MLP,Window Attention 和 Shifted Window Attention组成 (为了方便讲解,我会省略掉一些参数)
      class SwinTransformer(nn.Module):
          def __init__(...):
              super().__init__()
              ...
              # absolute position embedding
              if self.ape:
                  self.absolute_pos_embed = nn.Parameter(torch.zeros(1, num_patches, embed_dim))
                  
              self.pos_drop = nn.Dropout(p=drop_rate)
      
              # build layers
              self.layers = nn.ModuleList()
              for i_layer in range(self.num_layers):
                  layer = BasicLayer(...)
                  self.layers.append(layer)
      
              self.norm = norm_layer(self.num_features)
              self.avgpool = nn.AdaptiveAvgPool1d(1)
              self.head = nn.Linear(self.num_features, num_classes) if num_classes > 0 else nn.Identity()
      
          def forward_features(self, x):
              x = self.patch_embed(x)
              if self.ape:
                  x = x + self.absolute_pos_embed
              x = self.pos_drop(x)
      
              for layer in self.layers:
                  x = layer(x)
      
              x = self.norm(x)  # B L C
              x = self.avgpool(x.transpose(1, 2))  # B C 1
              x = torch.flatten(x, 1)
              return x
      
          def forward(self, x):
              x = self.forward_features(x)
              x = self.head(x)
              return x
      

      其中有几个地方处理方法与ViT不同:

      • ViT在输入会给embedding进行位置编码。而Swin-T这里则是作为一个可选项(self.ape),Swin-T是在计算Attention的时候做了一个相对位置编码
      • ViT会单独加上一个可学习参数,作为分类的token。而Swin-T则是直接做平均,输出分类,有点类似CNN最后的全局平均池化层

      接下来我们看下各个组件的构成

      Patch Embedding

      在输入进Block前,我们需要将图片切成一个个patch,然后嵌入向量。

      具体做法是对原始图片裁成一个个 window_size * window_size的窗口大小,然后进行嵌入。

      这里可以通过二维卷积层,将stride,kernelsize设置为window_size大小。设定输出通道来确定嵌入向量的大小。最后将H,W维度展开,并移动到第一维度

      import torch
      import torch.nn as nn
      
      
      class PatchEmbed(nn.Module):
          def __init__(self, img_size=224, patch_size=4, in_chans=3, embed_dim=96, norm_layer=None):
              super().__init__()
              img_size = to_2tuple(img_size) # -> (img_size, img_size)
              patch_size = to_2tuple(patch_size) # -> (patch_size, patch_size)
              patches_resolution = [img_size[0] // patch_size[0], img_size[1] // patch_size[1]]
              self.img_size = img_size
              self.patch_size = patch_size
              self.patches_resolution = patches_resolution
              self.num_patches = patches_resolution[0] * patches_resolution[1]
      
              self.in_chans = in_chans
              self.embed_dim = embed_dim
      
              self.proj = nn.Conv2d(in_chans, embed_dim, kernel_size=patch_size, stride=patch_size)
              if norm_layer is not None:
                  self.norm = norm_layer(embed_dim)
              else:
                  self.norm = None
      
          def forward(self, x):
              # 假设采取默认参数
              x = self.proj(x) # 出来的是(N, 96, 224/4, 224/4) 
              x = torch.flatten(x, 2) # 把HW维展开,(N, 96, 56*56)
              x = torch.transpose(x, 1, 2)  # 把通道维放到最后 (N, 56*56, 96)
              if self.norm is not None:
                  x = self.norm(x)
              return x
      

      Patch Merging

      该模块的作用是在每个Stage开始前做降采样,用于缩小分辨率,调整通道数 进而形成层次化的设计,同时也能节省一定运算量。

      在CNN中,则是在每个Stage开始前用stride=2的卷积/池化层来降低分辨率。

      每次降采样是两倍,因此在行方向和列方向上,间隔2选取元素。

      然后拼接在一起作为一整个张量,最后展开。此时通道维度会变成原先的4倍(因为H,W各缩小2倍),此时再通过一个全连接层再调整通道维度为原来的两倍

      class PatchMerging(nn.Module):
          def __init__(self, input_resolution, dim, norm_layer=nn.LayerNorm):
              super().__init__()
              self.input_resolution = input_resolution
              self.dim = dim
              self.reduction = nn.Linear(4 * dim, 2 * dim, bias=False)
              self.norm = norm_layer(4 * dim)
      
          def forward(self, x):
              """
              x: B, H*W, C
              """
              H, W = self.input_resolution
              B, L, C = x.shape
              assert L == H * W, "input feature has wrong size"
              assert H % 2 == 0 and W % 2 == 0, f"x size ({H}*{W}) are not even."
      
              x = x.view(B, H, W, C)
      
              x0 = x[:, 0::2, 0::2, :]  # B H/2 W/2 C
              x1 = x[:, 1::2, 0::2, :]  # B H/2 W/2 C
              x2 = x[:, 0::2, 1::2, :]  # B H/2 W/2 C
              x3 = x[:, 1::2, 1::2, :]  # B H/2 W/2 C
              x = torch.cat([x0, x1, x2, x3], -1)  # B H/2 W/2 4*C
              x = x.view(B, -1, 4 * C)  # B H/2*W/2 4*C
      
              x = self.norm(x)
              x = self.reduction(x)
      
              return x
      

      下面是一个示意图(输入张量N=1, H=W=8, C=1,不包含最后的全连接层调整)

      个人感觉这像是PixelShuffle的反操作

      Window Partition/Reverse

      window partition函数是用于对张量划分窗口,指定窗口大小。将原本的张量从 N H W C, 划分成 num_windows*B, window_size, window_size, C,其中 num_windows = H*W / window_size,即窗口的个数。而window reverse函数则是对应的逆过程。这两个函数会在后面的Window Attention用到。

      def window_partition(x, window_size):
          B, H, W, C = x.shape
          x = x.view(B, H // window_size, window_size, W // window_size, window_size, C)
          windows = x.permute(0, 1, 3, 2, 4, 5).contiguous().view(-1, window_size, window_size, C)
          return windows
      
      
      def window_reverse(windows, window_size, H, W):
          B = int(windows.shape[0] / (H * W / window_size / window_size))
          x = windows.view(B, H // window_size, W // window_size, window_size, window_size, -1)
          x = x.permute(0, 1, 3, 2, 4, 5).contiguous().view(B, H, W, -1)
          return x
      

      Window Attention

      这是这篇文章的关键。传统的Transformer都是基于全局来计算注意力的,因此计算复杂度十分高。而Swin Transformer则将注意力的计算限制在每个窗口内,进而减少了计算量。

      我们先简单看下公式

      主要区别是在原始计算Attention的公式中的Q,K时加入了相对位置编码。后续实验有证明相对位置编码的加入提升了模型性能。

      class WindowAttention(nn.Module):
          r""" Window based multi-head self attention (W-MSA) module with relative position bias.
          It supports both of shifted and non-shifted window.
      
          Args:
              dim (int): Number of input channels.
              window_size (tuple[int]): The height and width of the window.
              num_heads (int): Number of attention heads.
              qkv_bias (bool, optional):  If True, add a learnable bias to query, key, value. Default: True
              qk_scale (float | None, optional): Override default qk scale of head_dim ** -0.5 if set
              attn_drop (float, optional): Dropout ratio of attention weight. Default: 0.0
              proj_drop (float, optional): Dropout ratio of output. Default: 0.0
          """
      
          def __init__(self, dim, window_size, num_heads, qkv_bias=True, qk_scale=None, attn_drop=0., proj_drop=0.):
      
              super().__init__()
              self.dim = dim
              self.window_size = window_size  # Wh, Ww
              self.num_heads = num_heads # nH
              head_dim = dim // num_heads # 每个注意力头对应的通道数
              self.scale = qk_scale or head_dim ** -0.5
      
              # define a parameter table of relative position bias
              self.relative_position_bias_table = nn.Parameter(
                  torch.zeros((2 * window_size[0] - 1) * (2 * window_size[1] - 1), num_heads))  # 设置一个形状为(2*(Wh-1) * 2*(Ww-1), nH)的可学习变量,用于后续的位置编码
        
              self.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)
              self.attn_drop = nn.Dropout(attn_drop)
              self.proj = nn.Linear(dim, dim)
              self.proj_drop = nn.Dropout(proj_drop)
      
              trunc_normal_(self.relative_position_bias_table, std=.02)
              self.softmax = nn.Softmax(dim=-1)
           # 相关位置编码...
      

      下面我把涉及到相关位置编码的逻辑给单独拿出来,这部分比较绕

      首先QK计算出来的Attention张量形状为(numWindows*B, num_heads, window_size*window_size, window_size*window_size)。

      而对于Attention张量来说,以不同元素为原点,其他元素的坐标也是不同的,以window_size=2为例,其相对位置编码如下图所示

      相对位置编码示例

      首先我们利用torch.arange和torch.meshgrid函数生成对应的坐标,这里我们以windowsize=2为例子

      coords_h = torch.arange(self.window_size[0])
      coords_w = torch.arange(self.window_size[1])
      coords = torch.meshgrid([coords_h, coords_w]) # -> 2*(wh, ww)
      """
        (tensor([[0, 0],
                 [1, 1]]), 
         tensor([[0, 1],
                 [0, 1]]))
      """
      

      然后堆叠起来,展开为一个二维向量

      coords = torch.stack(coords)  # 2, Wh, Ww
      coords_flatten = torch.flatten(coords, 1)  # 2, Wh*Ww
      """
      tensor([[0, 0, 1, 1],
              [0, 1, 0, 1]])
      """
      

      利用广播机制,分别在第一维,第二维,插入一个维度,进行广播相减,得到 2, wh*ww, wh*ww的张量

      relative_coords_first = coords_flatten[:, :, None]  # 2, wh*ww, 1
      relative_coords_second = coords_flatten[:, None, :] # 2, 1, wh*ww
      relative_coords = relative_coords_first - relative_coords_second # 最终得到 2, wh*ww, wh*ww 形状的张量
      

      因为采取的是相减,所以得到的索引是从负数开始的,我们加上偏移量,让其从0开始。

      relative_coords = relative_coords.permute(1, 2, 0).contiguous() # Wh*Ww, Wh*Ww, 2
      relative_coords[:, :, 0] += self.window_size[0] - 1
      relative_coords[:, :, 1] += self.window_size[1] - 1
      

      后续我们需要将其展开成一维偏移量。而对于(1,2)和(2,1)这两个坐标。在二维上是不同的,但是通过将x,y坐标相加转换为一维偏移的时候,他的偏移量是相等的。

      展开成一维偏移量

      所以最后我们对其中做了个乘法操作,以进行区分

      relative_coords[:, :, 0] *= 2 * self.window_size[1] - 1
      


      offset multiply

      然后再最后一维上进行求和,展开成一个一维坐标,并注册为一个不参与网络学习的变量

      relative_position_index = relative_coords.sum(-1)  # Wh*Ww, Wh*Ww
      self.register_buffer("relative_position_index", relative_position_index)
      

      接着我们看前向代码

      def forward(self, x, mask=None):
             """
             Args:
                 x: input features with shape of (num_windows*B, N, C)
                 mask: (0/-inf) mask with shape of (num_windows, Wh*Ww, Wh*Ww) or None
             """
             B_, N, C = x.shape
             
             qkv = self.qkv(x).reshape(B_, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)
             q, k, v = qkv[0], qkv[1], qkv[2]  # make torchscript happy (cannot use tensor as tuple)
      
             q = q * self.scale
             attn = (q @ k.transpose(-2, -1))
      
             relative_position_bias = self.relative_position_bias_table[self.relative_position_index.view(-1)].view(
                 self.window_size[0] * self.window_size[1], self.window_size[0] * self.window_size[1], -1)  # Wh*Ww,Wh*Ww,nH
             relative_position_bias = relative_position_bias.permute(2, 0, 1).contiguous()  # nH, Wh*Ww, Wh*Ww
             attn = attn + relative_position_bias.unsqueeze(0) # (1, num_heads, windowsize, windowsize)
      
             if mask is not None: # 下文会分析到
                 ...
             else:
                 attn = self.softmax(attn)
      
             attn = self.attn_drop(attn)
      
             x = (attn @ v).transpose(1, 2).reshape(B_, N, C)
             x = self.proj(x)
             x = self.proj_drop(x)
             return x
      
      • 首先输入张量形状为 numWindows*B, window_size * window_size, C(后续会解释)

      • 然后经过self.qkv这个全连接层后,进行reshape,调整轴的顺序,得到形状为3, numWindowsB, num_heads, window_sizewindow_size, c//num_heads,并分配给q,k,v。

      • 根据公式,我们对q乘以一个scale缩放系数,然后与k(为了满足矩阵乘要求,需要将最后两个维度调换)进行相乘。得到形状为(numWindowsB, num_heads, window_sizewindow_size, window_size*window_size)的attn张量

      • 之前我们针对位置编码设置了个形状为(2window_size-12window_size-1, numHeads)的可学习变量。我们用计算得到的相对编码位置索引self.relative_position_index选取,得到形状为(window_sizewindow_size, window_size*window_size, numHeads)的编码,加到attn张量上

      • 暂不考虑mask的情况,剩下就是跟transformer一样的softmax,dropout,与V矩阵乘,再经过一层全连接层和dropout

      Shifted Window Attention

      前面的Window Attention是在每个窗口下计算注意力的,为了更好的和其他window进行信息交互,Swin Transformer还引入了shifted window操作。

      Shift Window

      左边是没有重叠的Window Attention,而右边则是将窗口进行移位的Shift Window Attention。可以看到移位后的窗口包含了原本相邻窗口的元素。但这也引入了一个新问题,即window的个数翻倍了,由原本四个窗口变成了9个窗口。

      在实际代码里,我们是通过对特征图移位,并给Attention设置mask来间接实现的。能在保持原有的window个数下,最后的计算结果等价。

      特征图移位操作

      代码里对特征图移位是通过torch.roll来实现的,下面是示意图

      shift操作

      如果需要reverse cyclic shift的话只需把参数shifts设置为对应的正数值。

      Attention Mask

      我认为这是Swin Transformer的精华,通过设置合理的mask,让Shifted Window Attention在与Window Attention相同的窗口个数下,达到等价的计算结果。

      首先我们对Shift Window后的每个窗口都给上index,并且做一个roll操作(window_size=2, shift_size=1)

      Shift window index

      我们希望在计算Attention的时候,让具有相同index QK进行计算,而忽略不同index QK计算结果。

      最后正确的结果如下图所示

      Shift Attention

      而要想在原始四个窗口下得到正确的结果,我们就必须给Attention的结果加入一个mask(如上图最右边所示)

      相关代码如下:

      if self.shift_size > 0:
                  # calculate attention mask for SW-MSA
                  H, W = self.input_resolution
                  img_mask = torch.zeros((1, H, W, 1))  # 1 H W 1
                  h_slices = (slice(0, -self.window_size),
                              slice(-self.window_size, -self.shift_size),
                              slice(-self.shift_size, None))
                  w_slices = (slice(0, -self.window_size),
                              slice(-self.window_size, -self.shift_size),
                              slice(-self.shift_size, None))
                  cnt = 0
                  for h in h_slices:
                      for w in w_slices:
                          img_mask[:, h, w, :] = cnt
                          cnt += 1
      
                  mask_windows = window_partition(img_mask, self.window_size)  # nW, window_size, window_size, 1
                  mask_windows = mask_windows.view(-1, self.window_size * self.window_size)
                  attn_mask = mask_windows.unsqueeze(1) - mask_windows.unsqueeze(2)
                  attn_mask = attn_mask.masked_fill(attn_mask != 0, float(-100.0)).masked_fill(attn_mask == 0, float(0.0))
      

      以上图的设置,我们用这段代码会得到这样的一个mask

      tensor([[[[[   0.,    0.,    0.,    0.],
                 [   0.,    0.,    0.,    0.],
                 [   0.,    0.,    0.,    0.],
                 [   0.,    0.,    0.,    0.]]],
      
      
               [[[   0., -100.,    0., -100.],
                 [-100.,    0., -100.,    0.],
                 [   0., -100.,    0., -100.],
                 [-100.,    0., -100.,    0.]]],
      
      
               [[[   0.,    0., -100., -100.],
                 [   0.,    0., -100., -100.],
                 [-100., -100.,    0.,    0.],
                 [-100., -100.,    0.,    0.]]],
      
      
               [[[   0., -100., -100., -100.],
                 [-100.,    0., -100., -100.],
                 [-100., -100.,    0., -100.],
                 [-100., -100., -100.,    0.]]]]])
      

      在之前的window attention模块的前向代码里,包含这么一段

      if mask is not None:
                nW = mask.shape[0]
                attn = attn.view(B_ // nW, nW, self.num_heads, N, N) + mask.unsqueeze(1).unsqueeze(0)
                attn = attn.view(-1, self.num_heads, N, N)
                attn = self.softmax(attn)
      

      将mask加到attention的计算结果,并进行softmax。mask的值设置为-100,softmax后就会忽略掉对应的值

      Transformer Block整体架构


      Transformer Block架构

      两个连续的Block架构如上图所示,需要注意的是一个Stage包含的Block个数必须是偶数,因为需要交替包含一个含有Window Attention的Layer和含有Shifted Window Attention的Layer。

      我们看下Block的前向代码

      def forward(self, x):
              H, W = self.input_resolution
              B, L, C = x.shape
              assert L == H * W, "input feature has wrong size"
      
              shortcut = x
              x = self.norm1(x)
              x = x.view(B, H, W, C)
      
              # cyclic shift
              if self.shift_size > 0:
                  shifted_x = torch.roll(x, shifts=(-self.shift_size, -self.shift_size), dims=(1, 2))
              else:
                  shifted_x = x
      
              # partition windows
              x_windows = window_partition(shifted_x, self.window_size)  # nW*B, window_size, window_size, C
              x_windows = x_windows.view(-1, self.window_size * self.window_size, C)  # nW*B, window_size*window_size, C
      
              # W-MSA/SW-MSA
              attn_windows = self.attn(x_windows, mask=self.attn_mask)  # nW*B, window_size*window_size, C
      
              # merge windows
              attn_windows = attn_windows.view(-1, self.window_size, self.window_size, C)
              shifted_x = window_reverse(attn_windows, self.window_size, H, W)  # B H' W' C
      
              # reverse cyclic shift
              if self.shift_size > 0:
                  x = torch.roll(shifted_x, shifts=(self.shift_size, self.shift_size), dims=(1, 2))
              else:
                  x = shifted_x
              x = x.view(B, H * W, C)
      
              # FFN
              x = shortcut + self.drop_path(x)
              x = x + self.drop_path(self.mlp(self.norm2(x)))
      
              return x
      

      整体流程如下

      • 先对特征图进行LayerNorm

      • 通过self.shift_size决定是否需要对特征图进行shift

      • 然后将特征图切成一个个窗口

      • 计算Attention,通过self.attn_mask来区分``Window Attention还是Shift Window Attention`

      • 将各个窗口合并回来

      • 如果之前有做shift操作,此时进行reverse shift,把之前的shift操作恢复

      • 做dropout和残差连接

      • 再通过一层LayerNorm+全连接层,以及dropout和残差连接

      实验结果


      实验结果

      在ImageNet22K数据集上,准确率能达到惊人的86.4%。另外在检测,分割等任务上表现也很优异,感兴趣的可以翻看论文最后的实验部分。

      总结

      这篇文章创新点很棒,引入window这一个概念,将CNN的局部性引入,还能控制模型整体计算量。在Shift Window Attention部分,用一个mask和移位操作,很巧妙的实现计算等价。作者的代码也写得十分赏心悦目,推荐阅读!

      ————————————————————————————
      转载来源:公众号【GiantPandaCV】
      欢迎关注GiantPandaCV, 在这里你将看到独家的深度学习分享,坚持原创,每天分享我们学习到的新鲜知识。( • ̀ω•́ )✧
      有对文章相关的问题,或者想要加入交流群,欢迎添加BBuf微信:

      1 Reply Last reply Reply Quote 1
      • First post
        Last post