[논문리뷰 | CV] Swin Transformer: Hierarchical Vision Transformer using Shifted Windows (2021) Summary

9e0na·2023년 7월 17일

Computer Vision DeepLearning paper-review

[논문리뷰]

목록 보기

12/42

Title

Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

Swin Transformer

논문 리뷰 시작에 앞서 고려대학교 산업경영공학부 dsba 연구실_허재혁님의 영상을 참고하면서 글을 작성한다는 점을 미리 말씀드립니다!

0. 논문을 읽기 전에 알면 좋을 것

Inductive Bias

모델이 데이터에 대해 가지고 있는 가정을 의미한다

모델을 잘 예측하기 위해 사전 정보를 통해 추가된 가정을 의미한다.
즉 학습하지 않은 데이터가 들어갔을 때 잘 예측하기 위한 가정

Inductive Bias가 부족하다는 것은?

모델이 주어진 데이터를 충분히 이해하지 못한 상태에서 일반화하기 어려운 상태

모델이 다양한 데이터를 학습하지 않아 새로운 데이터에 대한 예측력이 떨어지는 상태

왜 부족할까?

모든 input을 그대로 받아와 attention을 동시에 구해주기 때문임

그래서 다른 모델에 비해 Transformer 기반 모델은 self-attention or positional embedding을 통해 모든 정보는 활용하지만, inductive bias는 부족함.

Abstract

ViT 문제점

기존 ViT는 Classification Task를 위한 모델로 객체의 크기가 항상 일정하지 않음

Image의 해상도가 증가함에 따라 계산복잡도가 커짐.
✅ 계산복잡도는 이미지의 크기의 제곱에 비례하기 때문에 연상량이 매우 증가한다는 문제점 가짐.

해결방안 & Swin Transformer 배경

Computer Vision에서 다양한 목적에 맞게 Backbone Network로 사용될 수 있는 Transformer Model 제안

Transformer 구조에 이미지의 특성을 반영할 수 있는 방법 제안
✅ Shifted window를 사용하는 hierarchical(계층적인) Transformer 구조로 해결함

기존 ViT보다 적은 연산량을 갖는 방법 제안
✅ 기존 ViT는 이미지의 크기에 제곱에 비례했지만, Hierachical 구조의 경우 다양한 크기에 대해 유연하기 때문에 Linear하게 변함
✅ non-overlapping window내에 있는 patch 간의 self-attention을 수행함으로써 계산복잡도 개선

다양한 Computer Vision Task에서 좋은 성능을 도출함

1. Introduction

Text와 Image의 차이점
: 해상도(resolution) / 물체의 크기 (the scale of visual entities)
Swin Transformer는 Hierachical(계층적인) 구조를 활용하기 때문에 Object Detection과 Segmentation Task에서 SOTA 달성

✅ 하지만 Classification Task에서는 EfficientNet와 성능이 비슷함. (상대적인 낮음)

Layer가 깊어지면서 image의 resolution을 변경하기 때문에 서로 다른 scale information을 갖고 있음.
✅ Object Detection의 FRN 구조를 사용하여 multi-scale information를 활용하기 때문에 Object Detection과 Segmentation Task에서의 성능이 매우 좋음.

Hierachical & Shifted Windows를 사용하여 patch size를 다양하고 유동적으로 사용 가능하게 하여 representation을 학습함.

1.1. Hierachical Transformer

1.1.1. Vit

image를 작은 patch들로 분할하는 방식
(image -> patch)

[CLS] token 사용

1.1.2. Swin Transformer

ViT보다 더 작은 patch들로 분할해서 점점 patch들을 merge하는 방식
(patch -> proportion of image -> image)
✅ 작은 단위의 patch에서 점점 merge하고 계층마다 다른 representation을 가지기 때문에 다양한 크기의 entity를 다룰 수 있음. -> 좋은 성능으로 이어짐

Local Window를 Model에 적용
- 외각선이 빨간색 선인 것들을 window라고 하고, window 내부에서만 self-attention을 진행하게 되어 연산량을 줄임.

Hierachical Transformer 구조이기 때문에 계층마다 다른 해상도의 결과값을 얻을 수 있어서 Segmentation / Object Detection Task에서 적합한 BackBone 형태라고 말할 수 있음.

[CLS] token을 사용하지 않고 token들의 평균값을 활용하여 classification을 수행함.

1.1.3. Self-attention in non-overlapped windows

h,w: 세로, 가로 patch 개수
M: local window size

기존에는 image 전체에 대해 self-attention을 수행함.

계산복잡도가 이미지 크기의 제곱에 비례한다는 단점

non-overlapping window를 도입하여 window 내 각 patch끼리 self-attention만을 적용함.

이를 통해 $(hw)^2$ 를 $hw$ 로 선형적으로 바꿨고,계산 복잡도를 낮춤.
- 이때 계산복잡도의 한계를 극복하기 위해 window 내부에서만 patch끼리 self-attention을 계산하였음.
- 서로 다른 윈도우 간의 공유도 가능함

1.2. Shifted Windows

Window란?

N개의 인접한 patch들로 구성되어 있는 patch set

Shifted Windows는 Swin Transformer에서 핵심 Idea

([ $\frac{M}{2}$ , $\frac{M}{2}$ ]) 크기만큼이동시키면 매 stage마다 window가 다른 patch로 구성되어 있기 때문에 window간 공유가 가능해짐.

[과정]

(1) [왼쪽 그림]과 같이 patch를 분할하고 self-attention
(2) [오른쪽 그림]과 같이 window를 patch로부터 ([ $\frac{M}{2}$ , $\frac{M}{2}$ ]) 크기만큼 오른쪽 밑으로 shift 시킨 후 self-attention

✅ self-attention 계산이 M개의 patch들로만 제한되기 때문에 연산의 효율성 Good

W-MSA: feature map을 M개의 window로 나눔 [왼쪽 그림]

SW-MSA: W-MSA에서 발생한 patch로부터 ([ $\frac{M}{2}$ , $\frac{M}{2}$ ])칸 떨어진 patch에서 window 분할 [오른쪽 그림]

-> 하지만 window의 크기가 제각각이라는 문제점이 있음!!!!!!

두 가지 해결책은 다음과 같음.

(1) Cyclic shifting

(2) 모든 크기를 M으로 통일시키기 위해 padding 추가

1.3. Cyclic shifting

Window를 이동시키고 겹치지 않은 부분에 대해 반대편에 있는 patch를 참조함

이때 window내 서로 관련 없는 patch가 섞여 있음
- 관련 있는 patch끼리만 self-attention을 수행하기 위해 각 window마다 [Mask]를 씌어 관련 없는 부분을 0으로 만들기!

1.4. Relative Postion Bias

Transformer는 절대 좌표를 더해줌 (sin과 cos 활용)
- -1 ~ 1 사이 값

Swin Transformer는 한 픽셀에 대한 나머지 픽셀의 상대 좌표를 더해줌
- -2 ~ 2 사이 값

CNN Based Model
- ResNet, DenseNet, HRNet, EfficientNet 등등

Self-attention based backbone architectures
- ResNet

Transformer based vision backbones
- ViT, DeiT 등등

3. Method

3.1. Overall Architecture

전체적인 과정

(1) Patch Partion

ViT와 같은 patch splitting module을 활용하여 non-overlapping patch로 RGB image를 나눔

[ $H$ x $W$ x 3] -> RGB value 3을 곱해줌

(2) Linear Embedding

[ $\frac{H}{4}$ x $\frac{W}{4}$ x 48] tensor를 [ $\frac{H}{4}$ x $\frac{W}{4}$ x C]) tensor로 변환

C는 model의 크기에 따라 달라짐

(3) Patch merging

Layer가 깊어짐에 따라 주변 patch를 merge하면서 token의 갯수를 줄임

[4x4] 크기의 작은 patch들을 점점 합쳐가며 계층 구조를 만듬

인접한 [2x2] patch를 concat하여 channel 수가 4배가 됨
✅ Linear Layer를 통해 2C로 만들어줌.

이를 반복하여 [ $\frac{H}{32}$ x $\frac{W}{32}$ x 8C] tensor로 최종 변환

(4) Swin Transformer block

첫 block에서는 W-MSA를 통과한 뒤 두번째 block에서는 SW-MSA를 통과함

2-Layer MLP와 Layer Norm 그리고 GELU를 통과함
- 각 모듈에 Residual Connection도 적용
- MSA와 MLP이전에 Layer Norm을 두었음

3.1.1. Patch merging

patch를 병합시키면 patch의 갯수는 절반으로 줄어들고, 차원수는 2배로 증가함
- Downsampling

Network의 깊이가 깊어지고 feature map의 size는 점점 작아지므로 ResNet과 같은 feature map의 계층적 표현이 가능해짐

3.1.2. Swin Transformer Block

W-MSA

Local Window 안에서 self attention

SW-MSA

Local Window 간의 self attention

4. Experiments

모델 버전

Image Resolution (Default): 224 x 224

384 x 384일 때는 window size 12

Vision Tasks

Classification
Object Detection
Semantic Segmentation

세팅

Classification에 ImageNet 1K 사용

ImageNet-22K을 사전학습에 사용

Object Detection에 COCO 2017 사용

Semantic Segmentation에 ADE20K 사용

Baseline Models

ViT / DeiT

RegNetY / EfficientNet

본 논문에서 언급한 점

AdamW optimizer 사용

다양한 Augmentation & Regularization 필요
- 기존 ViT에서 Inductive bias가 작기 때문에

ViT에서 중요했던 repeated augmentation은 Swin Transformer에 적용시켰을 때 크게 성능 향상이 없었음

4.1. Image Classification on ImageNet-1K

(a) ImageNet-1K

[빨간색 네모 칸] Swin vs DeiT
- Swin 모델이 성능이 조금 더 좋음

[초록색 네모 칸] Swin vs CNN Models
- Swin-B(84.5)와 EfficieNet-B7 (84.3)는 성능이 비슷함
- Swin Transformer는 CNN기반 모델에 비해 성능과 학습 속도의 trade-off가 더 작음

(b) ImageNet-22K pre-trained models

Swin vs Vit
- model의 size가 커질수록 성능이 좋아짐

4.2. Object Detection on COCO

(a) Frameworks 기준

ResNet-50 vs Swin-T
- Swin-T 성능이 살짝 더 좋음

(b) Backbones 기준

CNN based Model vs Swin
- Swin model들이 성능이 살짝 더 좋음

4.3. Semantic Segmentation on ADE20K

SERT + T-Large vs ```UperNet + Swin-L````
- UperNet + Swin-L 모델이 적은 파라미터로 더 높은 성능을 도출함

UNet + Swin-L 모델이라면 더 좋은 성능을 도출할 수 있지 않을까하는 궁금증이 있음!!

4.4. Ablation Study

Window 적용 방법에 따른 속도 비교
- sliding window (naive) vs shifted window (cyclic)
- shifted window 적용 방법이 성능이 훨씬 좋음.

5. Conclusion

모델 구조
- Local Window를 적용하여 Inductive bias를 개입 -> 이는 ViT 극복
- Patch merging을 통한 Hierachical(계층적인) 구조

Insight
- Image 특성을 고려한 모델 구조임
- ViT보다 작은 계산 복잡도
- Classfication를 제외한 나머지 CV Task에 확장성 Good
  ✅ Object Detection & Segmentation 대회에서 SOTA 성능을 보임

🎯 Summary

저자가 뭘 해내고 싶어 했는가?

Computer Vision에서 다양한 목적에 맞게 Backbone Network로 사용될 수 있는 Transformer Model 제안

Transformer 구조에 이미지의 특성을 반영할 수 있는 방법 제안

ViT의 한계점을 극복하고 다양한 CV Task에 적용

이 연구의 접근 방식에서 중요한 요소는 무엇인가?

Shifted Windows

Hierachical

어느 프로젝트에 적용할 수 있는가?

Object Detection

Segmentation

참고하고 싶은 다른 레퍼런스에는 어떤 것이 있는가?

DeiT

UperNet

EfficientNet

느낀점은?

날이 갈수록 논문 리뷰가 점점 어려워진다..
이번 Swin Transformer의 핵심이었던 patch merge와 Cyclic Shift 부분이 인상 깊었다. 하지만
아직 Cyclic shift를 잘 모르겠다.. 다시 한번 공부해야겠다.

📚 References

9e0na

디지털 마케터가 되기 위해 [a-zA-Z]까지 정리하는 거나입니다 😊

다음 포스트