LLLMWIKI
正文元数据首页

来源笔记 · 更新于 2026-07-14

Swin Transformer移位窗口与层级视觉 Transformer

Swin Transformer:层级视觉 Transformer

一句话结论

Swin 用移位局部窗口和层级特征金字塔,把 Transformer 扩展为同时适合分类、检测与分割的通用视觉主干。

问题定义

怎样避免全局自注意力对高分辨率图像的平方复杂度,并产生密集视觉任务所需的多尺度表示?

方法概述

窗口内注意力控制计算,交替移位窗口传递跨窗信息,patch merging 形成逐级降低分辨率的层级表示。

关键发现

  • 在分类、检测、实例分割与语义分割上验证同一主干。
  • 局部计算与层级输出是适配高分辨率密集任务的核心。
  • Transformer 与 CNN 的边界从“有没有卷积”转向计算结构与归纳偏置。

局限或疑问

  • FLOPs 不直接等于硬件延迟。
  • 局部窗口的全局关系需要跨层传播。
  • 强结果不能隔离训练配方与架构单因素。

原始链接

相关页面