Swin-Transformer 在图像识别中的应用

1. 卷积神经网络简单介绍

图像识别任务主要利用神经网络对图像进行特征提取，最后通过全连接层将特征和分类个数进行映射。传统的网络是利用线性网络对图像进行分类，然而图像信息是二维的，一般来说，图像像素点和周围邻域像素点相关。而线性分类网络将图像强行展平成一维，不仅仅忽略了图像的空间信息，而全连接层会大大增加网络的参数

为了更好把握图像像素的空间信息，提出了 CNN 卷积神经网络，利用卷积核(滤波器)对图像进行窗口化类似处理，这样可以更好的把握图像的空间信息。

CNN 卷积神经网络一般处理流程，将图像的宽高缩减，增加图像的channel 信息。这是因为我们往往更在乎图像的语义信息，所以正常神经网络都是将图像 size 缩半，channel 翻倍，一个通道提取一个语义，尺寸缩半是因为最大池化层之类的操作，可以增加网络的抗干扰能力。例如经典的VGG 网络就是每一层特征图size减半，channel 翻倍

2. Transformer 介绍

Transformer 是在自然语言处理(NLP)任务中提出的，之前的时序网络(RNN)不能并行化，计算N+1的数据，需要计算N的数据。因此，Transformer应运而生了。

图像处理中，如果将图像划分为一个个patch，这样Transformer就能向处理自然语言那样处理图像

Transformer 与 CNN 相比：

CNN 网络有个关键的问题就是卷积核size 的设定，大的kernel size 可以拥有更好的感受野，把握更多图像的全局信息。但是size过大，网络的参数就会增加。后来VGG网络的提出，连续3*3卷积可以代替更大的卷积核，所以后面的网络均采用3*3卷积核。

参考资料：pytorch 搭建 VGG 网络

Transformer 是基于全局处理的，可以把握图像的全局信息，因此理论上Transformer 有比CNN更好的特征提取能力

Trasnformer 的 self-attention 和 multi-head self-attention

self-attention 部分：

这里计算Q和K的相似度，得到的值类似于权重，然后和V相乘

Q和K的相似度，点乘出的 α

这里是Q和每一个K匹配，计算公式如下，例如q1和k1 = 1*1+2*1 / 根号 2 = 3/1.414= 2.12 。q1和k2的相似度，1*0+2*1 /根号2 = 2/1.414 = 1.41

q2和k1、k2的计算一样，这里利用矩阵计算，所以Transformer可以并行化计算

计算权重和V的值

multi-head self-attention：（MSA）

将数据均分成不同head

2.1 Vision Transformer

将图像划分为不同的patch，输入Transformer 网络

Transformer Encoder结构：

不同patch的相似度

Vision Transformer分类项目：Vision Transformer 网络对花数据集的分类

2.2 Swin Transformer

swin Transformer 和 vision Transformer 区别：

swin Transformer 有层次结构，4、8、16倍下采样
swin Transformer 窗口分割

Swin Transformer 网络框架：

关于patch merging部分：就是将图像size减半，通道翻倍

W-MSA模块：

shifted window：

3. Swin-Transformer 使用

代码下载：Swin-Transformer 迁移学习对数据集花的分类

如果需要更换数据集的话，将data删除，然后将自己的数据集按照data下面摆放即可

训练过程的超参数可以不做更改，分类的个数由代码生成，不需要自行更改！

parser = argparse.ArgumentParser()
parser.add_argument('--epochs', type=int, default=100)
parser.add_argument('--batch-size', type=int, default=32)
parser.add_argument('--lr', type=float, default=0.0001)
parser.add_argument('--lrf', type=float, default=0.1)
parser.add_argument('--freeze-layers', type=bool, default=True)     # 是否冻结权重

训练结果：测试集的精度接近 98%，效果很棒了