本文提出的CSWin Transformer是一种高效的通用视觉Transformer框架。Transformer的挑战之一就是其SA计算复杂度，一定程度上限制了Transformer中每个token的交互。为了解决这一问题，本文提出Cross-Shaped Window自注意力机制，可以并行计算水平方向和垂直方向的SA，这里需要将输入切分成等宽的条纹。
本文对切分的宽度做了细致的分析，从而实现较好的精度-计算量的权衡。
此外本文还引入了局部增强的位置编码方法（LePE），比现有的位置编码方法可以更好的利用局部位置信息。LePE可以接受任意分辨率的输入，并且可以迁移到下游任务。
基于以上设计，CSWinTransformer在各种任务中达到了十分可观的性能，在没有额外训练的ImageNet-1K上达到了85.4%的最高精度，目标检测COCO数据集上达到了46.4AP,在ADE20K分割任务上达到了51.7mIoU；如果在InageNet-21K上预训练后精度会进一步提升。
Vision Transformer
基于Transformer的模型近期在诸多视觉任务中超过了CNN的性能，通过MHSA机制ViT可以有效的建模长程依赖关系，非常适合处理高分辨率输入迁移到下游任务中；但是SA的计算复杂度一定程度上限制了Transformer的应用。
为了提升Transformer的计算效率，一种经典的方法是限制每一个token的注意力范围，将全局的注意力限制在一定窗口范围内；为了建立窗口之间的联系，有学者提出使用移窗的方式来交换附近窗口之间的信息；但是感受野扩大的仍然比较满，需要堆叠较多的block才能实现全局的注意力。但是一个足够大的感受野范围对最终性能是至关重要的，尤其是对于下游任务，如目标检测、分割。
因此需要在保证较低计算成本的同时尽可能提升感受范围。
本文提出了CSWin自注意力机制，Fig 1展示了与SA的区别。CSWin中会在水平和垂直方向分别计算注意力，这需要将输入特征分成等宽的条纹，条纹宽度是窗口的重要参数，窗口的形状是十字形的，宽度决定了计算成本以及建模能力。
并且本文还会根据网络的深度来调整条纹的宽度：在浅层次宽度较小，深层次宽度较大；因为宽度越宽允许远程元素之间建立连接，这样可以在增加少部分计算成本的前提上提升网络容量。本文提供了细致的分析，讨论条纹的宽度是如何影响模型建模能力和计算成本的。
值得注意的是，基于CSWin SA,可以将多头注意力也切分成并行的组然后不同的组进行不同的SA运算，这种并行策略并没有增加计算成本，但是却扩大了每一个Transformer block的注意力区域。这与Fig 1右侧其他SA的计算方式有根本性的区别，并且消融实验的结果表示本文的注意力对一般视觉任务更有效。
在CSWin SA的基础上，本文采用层次化设计搭建了CSWin Transformer,为了进一步增强Transformer模型的建模能力，还使用了局部增强的位置编码（LePE）,对下游任务更为 友好。与以往的位置编码相比，会在每个block内使用LePE，并且还会作用在注意力结果上，这样使得CSWin Transformer更有效。
CSWin Transformer作为一种视觉Transformer的基准网络，在图像分类、目标检测、语义分割任务中均取得了优异的性能。
Vision Transformer
近年来卷积神经网络已经是计算机视觉任务的主流框架，但是近期ViT等基于Transformer的网络框架也展现出惊人的效果；因此诸多工作致力于研究设计更好的Transformer框架用于视觉任务。这些工作都遵循Transformer的层次化设计，但采用了不同的SA机制。分层设计的优点是可以有效利用多尺度特征，然后逐步减少token数目可以降低计算复杂福。本文通过引入十字形窗口和LePE提出了一种新的层次化Transformer网络。
Efficient Self-Attention
在NLP领域已经设计了多种高效注意力机制来提升Transformer处理长序列的效率；由于视觉任务中图像的分辨率往往很高，因此设计高效的注意力机制也是至关重要的。但是目前许多工作依旧采用原始的全注意力机制，计算复杂度是输入分辨率的平方项；为了降低计算复杂度,Swin Transformer等提出使用移窗MSA将注意力局限在窗口之内同时允许窗口之间的交互；Vision Transformer中另一种 有效的是轴向注意力，会沿着水平轴或垂直轴依次应用局部窗口来实现全局注意力，但是这种按顺序和窗口的大小限制了网络的学习能力。
Positional Encoding
由于SA是排列不变的忽略了标记的位置信息，因此Transformer广泛使用positional emcoding来重新添加位置信息，包括绝对位置编码、相对位置编码和条件位置编码。
APE和RPE通常表示为一系列正弦函数或可学习参数，一般针对特定的分辨率，对不同的分辨率很不友好；
CPE则将特征作为输入可以得到任意分辨率的位置编码，然后再将生成的位置编码添加到输入上，一同输入SA模块。
本文的LePE与CPE比较相似，但是会把位置编码作为一个并行的模块添加到SA操作中，会对每个模块投影后的值进行操作。这样将位置编码与自注意力计算解耦，可以获得更强的局部归纳偏置。
Fig 2展示了CSWin的网络架构。对于HxWx3的输入，首先采用步长卷积切patch进行patch embedding，window_size = 4；
整个网络包括4个阶段，这样可以获得多尺度的特征表述；相邻两个stage之间使用3x3的步长卷积来减少token数目，通道为数也会加倍。
因此第i个阶段的token数目为：
每一个阶段的CSWin Transformer Block的结构如右图所示，与原始MHSA有2点区别：
（1）将SA替换为本文的Cross-Shaped Window SA;
(2)使用LePE来增强局部归纳偏置信息，作为与SA并行的一个模块。
虽然SA可以有效建模远程上下文，但是其计算复杂度与特征大小的平方成正比，因此输入较高分辨率的特征图的计算成本十分高昂。Swin Transformer将SA的计算局限在窗口内来提升计算效率，但是需要堆叠更多的块来获得全局感受野。本文则提出十字交叉的窗口注意力。
Horizontal and Vertical Stripes
根据MHSA的定义，输入的特征首先会映射到K个头，然后每个头在自己子空间内进行SA计算。
对于水平方向的SA，X被均匀划分为等宽的互补重叠的水平条纹[X1,…,Xm],每条包含sw*W个token,sw表示条纹的宽度，通过调节SW来权衡学习能力和计算复杂度。
水平的SA计算为：
每条的输出会级联在一起。
我们可以将K个注意力头等分，K/2用于水平SA，K/2用于垂直SA的计算，最终的注意力输出表示为二者的级联：
即将多头注意力分成并行的group，不同的group采用不同的SA计算方式、换言之通过分组来扩大每个token的注意力范围。而原始的SA是对不同的头进行相同的注意力计算，实验结果表明本文的这种分组计算方法性能更好。
计算复杂度分析
对于高分辨率的输入，H,W一般会远远大于通道数C
对于低分辨率（later atage)HW则会小于C
因此可以在早期stage使用较小sw在后期stage使用较大sw，这样通过调整sw可以灵活调整每个token的注意力区域。
同时还要注意sw应该能被输入尺寸整除，因此本文默认设置为1,2,7,7
Locally-Enhanced Positional Encoding
LePE是在每个Transformer block内部增加的位置信息，但与RPE不同的地方在于RPE是在attention计算时加入的位置信息，LePE则是更加直接，将位置信息加在线性映射后的value上。参见下式：
但是也要考虑到如果计算E的所有连接需要的计算成本也很大，因此本文假设：对于特定的输入，最重要的信息来自于该特定位置的附近。
因此本文提出局部增强的位置编码（LePE），结合深度可分离卷积来作用V于alue。这样LePE可以接受任意分辨率的输入。
## Part 3 CSWin Transformer Block
因此CSWin Transformer Block的计算可以表达为：
## Part 4 结构变体
Table 1展示了不同规模的CSWin网络，不同的通道数目、不同的注意力头数以及每个stage中的bokck数目组成了Tiny,Small,Base,Large四种规模的网络。
本文在ImageNet-1K图像分类,COCO目标检测，ADE20K语义分割任务上测试了CSWin Transformer的性能。
输入224x224
AdamW优化器
training epoch = 300
Table 2是与目前SOTA模型的精度对比，计算量分别是:
tINY模型（约4.3GFLOPs）；SMALL模型（约6.8GFLOPs）和Base模型（约15GFLOPs）.
可以看到远远超过了Vision Transformer,证明了CSWin强大的学习能力。
与CNN模型相比，也比EfficientNet效果接近甚至超过了；如果在ImageNet-21K上预训练后性能会进一步提升，参见Table 3。
CSWin Transformer与Mask R-CNN,级联Mask R-CNN对比做目标检测的结果，对比结果参见Table 4，可以看到CSWin超过Transformer同类。
语义分割backbone选用的是FPN和Upernet网络，Table 6是语义分割的比较结果。可以看到不同规模的CSWin均超过目前的SOTA，具体来说，CSWin-T、CSWin-S、CSWin-B实现了+6.7、+4.0、+3.9与Swin 框架相比，以及比Upernet分别高+4.8、+2.4、+2.7 mIoU。
为了评估每部分的作用还进行了消融实验。
主要评估sw对网络深度、网络性能的影响以及MHSA的分组设计对性能的影响。
Table 7展示了消融实验的结果，可以看到sw对扩大注意力范围十分重要，sw =1时精度会显著下降；如果不对head分组也会导致性能有一定下降。
从Table 7最后两行可以看到“先深再浅”网络会比“先浅再深”的网络性能更好，为了验证这一点本文还这几了一个比较浅、宽的网络变体，性能确实变差了。
最后一行则显示使用重叠token embedding的必要性。
Attention Mechanism
CSWin是本文的核心模块，可以在节省计算的同时实现较强的建模能力。为了验证这一点本文将CSWin与现有的一些SA进行了对比，分别是滑窗SA，移窗SA，空间分离SA和轴向SA。基于的网络是前一节的浅宽设计网络。
Table 8a展示了对比结果，可以看到CSWin的性能比目前其他SA机制都要好；尤其是轴向注意力，虽然可以通过两个模块就捕获全局注意力，但是迁移到下游任务上效果却不是很好，因为它每个block中注意力范围都很小，相当于sw=1的情况。
Positional Encoding Comparison
Table 8（b）则展示了不同位置编码方案的对比结果。
可以看到位置编码通过引入局部归纳偏执带来心梗提升，虽然RPE在不同分辨率的分类任务上取得了较好的性能，但是本文的LePE性能更好。
本文提出的CSWin Transformer核心是十字形的SA，通过将多头注意力分成水平组和垂直组分别进行SA计算，可以有效扩大每个token的注意力范围；另一方面本文还分析了条纹宽度（sw）对网络容量和计算复杂度的影响。
本文还将LePE这种位置编码方案引入设计中，可以迁移到下游任务。
大量实验结果证明了本文CSWin的高效和有效性。在分类、分割、目标检测任务上均达到了SOTA。
期待未来CSWin可以应用到更多任务中。
