CSwin Transformer 学习笔记

        Cswin提出了上图中使用交叉形状局部attention，为了解决VIT模型中局部自注意力感受野进一步增长受限的问题，同时提出了局部增强位置编码模块，超越了Swin等模型，在多个任务上效果SOTA（当时的SOTA，已经被SG Former超越，感兴趣的可以看看SG Former）。

论文地址：https://arxiv.org/abs/2107.00652 

代码地址：https://github.com/microsoft/CSWin-Transformer

        模型整体结构如上所示，由token embeeding layer和4个stageblock所堆叠而成，每个stage block后面都会接入一个conv层，用来对featuremap进行下采样。和典型的R50设计类似，每次下采样后，会增加dim的数量，一是为了提升感受野，二是为了增加特征性。

研究动机：

• 基于global attention的transformer效果虽然好但是计算复杂度与特征图大小平方(H==W的情况)成正比。
• 基于local attention的transformer的会限制每个token的感受野的交互，减缓感受野的增长，需要堆叠大量的block来实现全局自注意力。

解决办法：

• 提出了Cross-Shaped Window self-attention机制，对注意力头进行分组，并行计算水平和竖直方向的self-attention，可以在更小的计算量条件下获得更好的效果。
• 提出了Locally-enhanced Positional Encoding(LePE), 可以更好的处理局部位置信息，并且支持任意形状的输入。

1.1 Convolutional Token Embedding

        用convolution来做embedding，为了减少计算量，本文直接采用了7x7的卷积核，stride为4的卷积来直接对输入进行embedding，之后再对最后一维进行layernorm。

self.stage1_conv_embed = nn.Sequential(nn.Conv2d(in_chans, embed_dim, 7, 4, 2),Rearrange('b c h w -> b (h w) c', h=img_size // 4, w=img_size // 4),nn.LayerNorm(embed_dim)
)

1.2 Cross-Shaped Window Self-Attention

        具体来讲，假设原始的Feature Map为，为了计算它在横向上的自注意力，它首先被拆分成个横条的数据(实际代码先进行竖列处理)，其中是横条的宽度。在这4个不同的Stage中取不同的值，实验结果表明[1,2,7,7]这组值在速度和精度上取得了比较好的均衡。

        对于每个条状特征，使用Transformer可以得到它的特征，最后将这个特征拼接到一起便得到了这个head的输入。假设它属于第个head，那么横向自注意力的计算方式为：

纵向自注意力V-Attention 和H-Attention的计算方式类似，不同的是它是取的宽度为的竖条。

最终，这个block的输出表示为：

CSWin self-attention计算复杂度分析：

对于高分辨率输入，H，W早期大于C，后期小于C，因此早期sw小，后期大。即，调整sw可以有效地扩大后期每个token的attention区域。为了使224×224输入的中间特征图大小可被sw整除，默认将4个阶段的sw设置为1、2、7、7。 

def img2windows(img, H_sp, W_sp):"""img: B C H W"""B, C, H, W = img.shapeimg_reshape = img.view(B, C, H // H_sp, H_sp, W // W_sp, W_sp) # [N 32 1 56 56 1] [N 32 56 1 1 56] / [N 64 1 28 14 2] [N 64 14 2 1 28] / [N 128 1 14 2 7] [N 128 2 7 1 14] / [N 512 1 7 1 7]img_perm = img_reshape.permute(0, 2, 4, 3, 5, 1).contiguous().reshape(-1, H_sp* W_sp, C) # [N*56*1 56 32] [N*56*1 56 32] / [N*14*1 56 64] [N*14*1 56 64] / [N*2*1 98 128] [N*2*1 98 128] / [N*1*1 49 512]return img_permdef windows2img(img_splits_hw, H_sp, W_sp, H, W):"""img_splits_hw: B' H W C"""B = int(img_splits_hw.shape[0] / (H * W / H_sp / W_sp))img = img_splits_hw.view(B, H // H_sp, W // W_sp, H_sp, W_sp, -1) # [N*56*1 56 32]->[N 1 56 56 1 32] [N*56*1 56 32]->[N 56 1 1 56 32] / [N*14*1 56 64]->[N 1 14 28 2 64] [N*14*1 56 64]->[N 14 1 2 28 64] / [N*2*1 98 128]->[N 1 2 14 7 128] [N*2*1 98 128]->[N 2 1 7 14 128] / [N*1*1 49 512]->[N 1 1 7 7 512]img = img.permute(0, 1, 3, 2, 4, 5).contiguous().view(B, H, W, -1) # [N 56 56 32] [N 28 28 64] [N 14 14 128] [N 7 7 512]return imgclass LePEAttention(nn.Module):def __init__(self, dim, resolution, idx, split_size=7, dim_out=None, num_heads=8, attn_drop=0., proj_drop=0.,qk_scale=None):super().__init__()self.dim = dimself.dim_out = dim_out or dimself.resolution = resolutionself.split_size = split_sizeself.num_heads = num_headshead_dim = dim // num_heads# NOTE scale factor was wrong in my original version, can set manually to be compat with prev weightsself.scale = qk_scale or head_dim ** -0.5if idx == -1:H_sp, W_sp = self.resolution, self.resolutionelif idx == 0:H_sp, W_sp = self.resolution, self.split_sizeelif idx == 1:W_sp, H_sp = self.resolution, self.split_sizeelse:print("ERROR MODE", idx)exit(0)self.H_sp = H_spself.W_sp = W_spstride = 1self.get_v = nn.Conv2d(dim, dim, kernel_size=3, stride=1, padding=1, groups=dim)self.attn_drop = nn.Dropout(attn_drop)def im2cswin(self, x):B, N, C = x.shapeH = W = int(np.sqrt(N))x = x.transpose(-2, -1).contiguous().view(B, C, H, W)  # [B, N, C] -> [B, C, N] -> [B, C, H, W]x = img2windows(x, self.H_sp, self.W_sp)  # [N*56*1 56 32] [N*14*1 56 64] [N*2*1 98 128] [N*1*1 49 512]x = x.reshape(-1, self.H_sp * self.W_sp, self.num_heads, C // self.num_heads).permute(0, 2, 1,3).contiguous()  # [N*56*1 1 56 32] [N*14*1 2 56 32] [N*2*1 4 98 32] [N*1*1 16 49 32]return xdef get_lepe(self, x, func):B, N, C = x.shape  # [N 3136 32] [N 784 64] [N 196 128] [N 49 512]H = W = int(np.sqrt(N))x = x.transpose(-2, -1).contiguous().view(B, C, H, W)  # [N 32 56 56] [N 64 28 28] [N 128 14 14] [N 512 7 7]H_sp, W_sp = self.H_sp, self.W_spx = x.view(B, C, H // H_sp, H_sp, W // W_sp,W_sp)  # [N 32 1 56 56 1] [N 32 56 1 1 56] / [N 64 1 28 14 2] [N 64 14 2 1 28] / [N 128 1 14 2 7] [N 128 2 7 1 14] / [N 512 1 7 1 7]x = x.permute(0, 2, 4, 1, 3, 5).contiguous().reshape(-1, C, H_sp,W_sp)  ### B', C, H', W' # [N*56*1 32 56 1][N*56*1 32 1 56] / [N*14*1 64 28 2][N*14*1 64 2 28] / [N*2*1 128 14 7][N*2*1 128 7 14] / [N*1*1 512 7 7]lepe = func(x)  ### B', C, H', W' # [N*56*1 32 56 1] [N*56*1 32 1 56] / [N*14*1 64 28 2][N*14*1 64 2 28] / [N*2*1 128 14 7][N*2*1 128 7 14]  / [N*1*1 512 7 7]lepe = lepe.reshape(-1, self.num_heads, C // self.num_heads, H_sp * W_sp).permute(0, 1, 3,2).contiguous()  # [N*56*1 1 56 32] [N*14*1 2 56 32] [N*2*1 4 98 32] [N*1*1 16 49 32]x = x.reshape(-1, self.num_heads, C // self.num_heads, self.H_sp * self.W_sp).permute(0, 1, 3,2).contiguous()  # [N*56*1 1 56 32] [N*14*1 2 56 32] [N*2*1 4 98 32] [N*1*1 16 49 32]return x, lepedef forward(self, qkv):"""x: B L C"""q, k, v = qkv[0], qkv[1], qkv[2]  # [N 3136 32] [N 784 64] [N 196 128] [N 49 512]### Img2WindowH = W = self.resolution  # 56 28 14 7B, L, C = q.shape  # [N 3136 32] [N 784 64] [N 196 128] [N 49 512]assert L == H * W, "flatten img_tokens has wrong size"q = self.im2cswin(q)  # [N*56*1 1 56 32] [N*14*1 2 56 32] [N*2*1 4 98 32] [N*1*1 16 49 32]k = self.im2cswin(k)  # [N*56*1 1 56 32] [N*14*1 2 56 32] [N*2*1 4 98 32] [N*1*1 16 49 32]v, lepe = self.get_lepe(v, self.get_v)q = q * self.scaleattn = (q @ k.transpose(-2, -1))  # B head N C @ B head C N --> B head N Nattn = nn.functional.softmax(attn, dim=-1, dtype=attn.dtype)attn = self.attn_drop(attn)x = (attn @ v) + lepex = x.transpose(1, 2).reshape(-1, self.H_sp * self.W_sp,C)  # B head N N @ B head N C # [N*56*1 56 32] [N*14*1 56 64] [N*2*1 98 128] [N*1*1 49 512]### Window2Imgx = windows2img(x, self.H_sp, self.W_sp, H, W).view(B, -1, C)  # B H' W' Creturn x  # [N 3136 32] [N 784 64] [N 196 128] [N 49 512]

代码部分其实和Swin类似，如果理解了swin的分窗机制，再加上head分组，基本上就能很快理解论文中思想。 

1.3 Locally-Enhanced Positional Encoding(LePE)

        因为Transformer是输入顺序无关的，因此需要向其中加入位置编码。上图左边为ViT模型的PE，使用的绝对位置编码或者是条件位置编码，只在embedding的时候与token一起进入transformer，中间的是Swin，CrossFormer等模型的PE，使用相对位置编码偏差，通过引入token图的权重来和attention一起计算，灵活度更好，相对APE效果更好。

        本文所提出的LePE，相比于RPE更加直接，将位置信息施加到线性投影中，同时注意到RPE以head方式引入偏差，而LepE是per-channel bias，这可能显示出更强大的潜力来充当位置嵌入。也就是直接将位置编码添加加到了Value向量上，假设位置编码为，它的添加方式是通过将位置编码和相乘完成的。然后通过一个short-cut将添加了位置编码的和通过自注意力加权的单位加到一起，公式如下:

        这里作者基于一个假设：对于一个输入元素，他附近的元素提供最重要的位置信息。所以对V做一个深度卷积，加到softmax之后的结果上。公式为:

        这样，LePE可以友好地应用于将任意输入分辨率作为输入的下游任务。

    def get_lepe(self, x, func):# func -> self.get_v = nn.Conv2d(dim, dim, kernel_size=3, stride=1, padding=1,groups=dim)B, N, C = x.shape  # [N 3136 32] [N 784 64] [N 196 128] [N 49 512]H = W = int(np.sqrt(N))x = x.transpose(-2, -1).contiguous().view(B, C, H, W)  # [N 32 56 56] [N 64 28 28] [N 128 14 14] [N 512 7 7]H_sp, W_sp = self.H_sp, self.W_spx = x.view(B, C, H // H_sp, H_sp, W // W_sp,W_sp)  # [N 32 1 56 56 1] [N 32 56 1 1 56] / [N 64 1 28 14 2] [N 64 14 2 1 28] / [N 128 1 14 2 7] [N 128 2 7 1 14] / [N 512 1 7 1 7]x = x.permute(0, 2, 4, 1, 3, 5).contiguous().reshape(-1, C, H_sp,W_sp)  ### B', C, H', W' # [N*56*1 32 56 1][N*56*1 32 1 56] / [N*14*1 64 28 2][N*14*1 64 2 28] / [N*2*1 128 14 7][N*2*1 128 7 14] / [N*1*1 512 7 7]lepe = func(x)  ### B', C, H', W' # [N*56*1 32 56 1] [N*56*1 32 1 56] / [N*14*1 64 28 2][N*14*1 64 2 28] / [N*2*1 128 14 7][N*2*1 128 7 14]  / [N*1*1 512 7 7]lepe = lepe.reshape(-1, self.num_heads, C // self.num_heads, H_sp * W_sp).permute(0, 1, 3,2).contiguous()  # [N*56*1 1 56 32] [N*14*1 2 56 32] [N*2*1 4 98 32] [N*1*1 16 49 32]x = x.reshape(-1, self.num_heads, C // self.num_heads, self.H_sp * self.W_sp).permute(0, 1, 3,2).contiguous()  # [N*56*1 1 56 32] [N*14*1 2 56 32] [N*2*1 4 98 32] [N*1*1 16 49 32]return x, lepe

1.4 CSWin Transformer Block

        CSWin Transformer Block的结构如图所示，它最显著的特点是添加了两个shortcut，并使用LN对特征做归一化.

网络结构配置：

        其中为第  个Transformer block的输出或各stage的卷积层。 

        CSwin的block有两个部分，一个是做LayerNorm和Cross-shaped window self-attention并接一个shortcut，另一个则是做LayerNorm和MLP，相比于Swin和Twins来说，block的计算量大大的降低了(swin,twins则是有两个attention+两个MLP堆叠一个block)。

class CSWinBlock(nn.Module):def __init__(self, dim, reso, num_heads,split_size=7, mlp_ratio=4., qkv_bias=False, qk_scale=None,drop=0., attn_drop=0., drop_path=0.,act_layer=nn.GELU, norm_layer=nn.LayerNorm,last_stage=False):super().__init__()self.dim = dimself.num_heads = num_headsself.patches_resolution = resoself.split_size = split_sizeself.mlp_ratio = mlp_ratioself.qkv = nn.Linear(dim, dim * 3, bias=qkv_bias)self.norm1 = norm_layer(dim)if self.patches_resolution == split_size:last_stage = Trueif last_stage:self.branch_num = 1else:self.branch_num = 2self.proj = nn.Linear(dim, dim)self.proj_drop = nn.Dropout(drop)if last_stage:self.attns = nn.ModuleList([LePEAttention(dim, resolution=self.patches_resolution, idx = -1,split_size=split_size, num_heads=num_heads, dim_out=dim,qk_scale=qk_scale, attn_drop=attn_drop, proj_drop=drop)for i in range(self.branch_num)])else:self.attns = nn.ModuleList([LePEAttention(dim//2, resolution=self.patches_resolution, idx = i,split_size=split_size, num_heads=num_heads//2, dim_out=dim//2,qk_scale=qk_scale, attn_drop=attn_drop, proj_drop=drop)for i in range(self.branch_num)])mlp_hidden_dim = int(dim * mlp_ratio)self.drop_path = DropPath(drop_path) if drop_path > 0. else nn.Identity()self.mlp = Mlp(in_features=dim, hidden_features=mlp_hidden_dim, out_features=dim, act_layer=act_layer, drop=drop)self.norm2 = norm_layer(dim)def forward(self, x):"""x: B, H*W, C"""H = W = self.patches_resolution # 56B, L, C = x.shape # [N 3136 64] [N 784 128] [N 196 256] [N 49 512]assert L == H * W, "flatten img_tokens has wrong size"img = self.norm1(x)qkv = self.qkv(img).reshape(B, -1, 3, C).permute(2, 0, 1, 3) # [3 N 3136 64] [3 N 784 128] [3 N 196 256] [3 N 49 512]if self.branch_num == 2:x1 = self.attns[0](qkv[:,:,:,:C//2]) # qkv[3 N 3136 32]->x1[N 3136 32] qkv[3 N 784 128]->x1[N 784 64] qkv[3 N 196 256]->x1[N 196 128]x2 = self.attns[1](qkv[:,:,:,C//2:]) # qkv[3 N 3136 32]->x2[N 3136 32] qkv[3 N 784 128]->x1[N 784 64] qkv[3 N 196 256]->x1[N 196 128]attened_x = torch.cat([x1,x2], dim=2)else:attened_x = self.attns[0](qkv) # [3 N 49 512]->[N 49 512]attened_x = self.proj(attened_x)x = x + self.drop_path(attened_x)x = x + self.drop_path(self.mlp(self.norm2(x)))return x # [N 3136 64] [N 784 128] [N 196 256] [N 49 512]

在相似网络参数和计算量的模型中，cswin在分类任务和各类下游任务中都做到了SOTA

 检测：

分割：