{"id":327061,"date":"2022-01-10T08:44:45","date_gmt":"2022-01-10T08:44:45","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=327061"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=327061","title":{"rendered":"<span>\u041e\u0431\u0437\u043e\u0440 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b Swin Transformer<\/span>"},"content":{"rendered":"<div><\/div>\n<div id=\"post-content-body\" class=\"article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w780q1\/getpro\/habr\/upload_files\/f0f\/e99\/532\/f0fe99532ff0bed3252ce68faea6727c.jpg\" width=\"4905\" height=\"3170\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/f0f\/e99\/532\/f0fe99532ff0bed3252ce68faea6727c.jpg\" data-blurred=\"true\"\/><figcaption><\/figcaption><\/figure>\n<p>\u0422\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u044b \u0448\u0430\u0433\u0430\u044e\u0442 \u043f\u043e \u043f\u043b\u0430\u043d\u0435\u0442\u0435! \u0412 \u0441\u0442\u0430\u0442\u044c\u0435 \u0432\u0441\u043f\u043e\u043c\u043d\u0438\u043c\/\u0443\u0437\u043d\u0430\u0435\u043c \u043a\u0430\u043a \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 <em>visual<\/em> <em>attention<\/em>, \u043f\u043e\u0439\u043c\u0451\u043c, \u0447\u0442\u043e \u0441 \u043d\u0438\u043c \u043d\u0435 \u0442\u0430\u043a, \u0430 \u0433\u043b\u0430\u0432\u043d\u043e\u0435 \u043a\u0430\u043a \u0435\u0433\u043e \u043f\u043e\u043f\u0440\u0430\u0432\u0438\u0442\u044c, \u0447\u0442\u043e\u0431\u044b \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043d\u0430 \u0432\u044b\u0445\u043e\u0434\u0435 <em>best<\/em> <em>paper<\/em> <em>ICCV21<\/em>.<\/p>\n<h3>CV-\u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u044b in a nutshell<\/h3>\n<h4>Attention Is All You Need<\/h4>\n<p>\u041d\u0430\u0447\u043d\u0451\u043c \u0438\u0437\u0434\u0430\u043b\u0435\u043a\u0430, \u0430 \u0438\u043c\u0435\u043d\u043d\u043e \u0441 2017 \u0433\u043e\u0434\u0430, \u043a\u043e\u0433\u0434\u0430 A Vaswani et al. \u043e\u043f\u0443\u0431\u043b\u0438\u043a\u043e\u0432\u0430\u043b\u0438 \u0437\u043d\u0430\u043c\u0435\u043d\u0438\u0442\u0443\u044e \u0441\u0442\u0430\u0442\u044c\u044e <a href=\"https:\/\/arxiv.org\/abs\/1706.03762\" rel=\"noopener noreferrer nofollow\">\u00abAttention Is All You Need\u00bb<\/a>, \u0432 \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u0431\u044b\u043b\u0430 \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0435\u043d\u0430 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439 \u0441\u0435\u0442\u0438 <em>Transformer<\/em> \u0434\u043b\u044f \u0440\u0435\u0448\u0435\u043d\u0438\u044f \u0437\u0430\u0434\u0430\u0447\u0438 <a href=\"https:\/\/lena-voita.github.io\/nlp_course\/seq2seq_and_attention.html\" rel=\"noopener noreferrer nofollow\">seq2seq<\/a> \u0438 \u0432 \u0447\u0430\u0441\u0442\u043d\u043e\u0441\u0442\u0438 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0430. \u041d\u0435 \u0431\u0443\u0434\u0443 \u0433\u043e\u0432\u043e\u0440\u0438\u0442\u044c \u043e \u0442\u043e\u043c, \u043d\u0430\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0437\u043d\u0430\u0447\u0438\u043c\u044b\u043c \u0431\u044b\u043b\u043e \u044d\u0442\u043e \u0441\u043e\u0431\u044b\u0442\u0438\u0435 \u0434\u043b\u044f \u0432\u0441\u0435\u0433\u043e NLP. \u0421\u043a\u0430\u0436\u0443 \u043b\u0438\u0448\u044c, \u0447\u0442\u043e \u043d\u0430 \u0434\u0430\u043d\u043d\u044b\u0439 \u043c\u043e\u043c\u0435\u043d\u0442 \u043f\u043e\u0447\u0442\u0438 \u043a\u0430\u0436\u0434\u043e\u0435 ML \u0440\u0435\u0448\u0435\u043d\u0438\u0435, \u0440\u0430\u0431\u043e\u0442\u0430\u044e\u0449\u0435\u0435 \u0441 \u0442\u0435\u043a\u0441\u0442\u043e\u043c, \u043f\u043e\u0436\u0438\u043d\u0430\u0435\u0442 \u043f\u043b\u043e\u0434\u044b \u0442\u043e\u0433\u043e \u0443\u0441\u043f\u0435\u0445\u0430, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044f <em>Transformer-based<\/em> \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443 \u043d\u0430\u043f\u0440\u044f\u043c\u0443\u044e, \u0440\u0430\u0431\u043e\u0442\u0430\u044f \u0441 \u044d\u043c\u0431\u0435\u0434\u0434\u0438\u043d\u0433\u0430\u043c\u0438 \u0438\u0437 <a href=\"https:\/\/habr.com\/ru\/post\/436878\/\" rel=\"noopener noreferrer nofollow\"><em>BERT-\u0430<\/em><\/a> \u0438\u043b\u0438 \u0435\u0449\u0435 \u043a\u0430\u043a\u0438\u043c-\u043d\u0438\u0431\u0443\u0434\u044c \u043e\u0431\u0440\u0430\u0437\u043e\u043c. \u041a\u043b\u044e\u0447\u0435\u0432\u044b\u043c \u0438 \u0438\u0434\u0435\u0439\u043d\u043e \u0447\u0443\u0442\u044c \u043b\u0438 \u043d\u0435 \u0435\u0434\u0438\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u043c \u043a\u043e\u043c\u043f\u043e\u043d\u0435\u043d\u0442\u043e\u043c \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u0430 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0441\u043b\u043e\u0439 <em>Multi<\/em>&#8212;<em>Head<\/em> <em>Attention<\/em>. \u0412 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0438 \u043a \u0437\u0430\u0434\u0430\u0447\u0435 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0430 \u043e\u043d \u0434\u0430\u043b \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u0443\u0447\u0438\u0442\u044b\u0442\u0432\u0430\u0442\u044c \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0435 \u043c\u0435\u0436\u0434\u0443 \u0441\u043b\u043e\u0432\u0430\u043c\u0438, \u043d\u0430\u0445\u043e\u0434\u044f\u0449\u0438\u043c\u0438\u0441\u044f \u043d\u0430 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e \u0431\u043e\u043b\u044c\u0448\u043e\u043c \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0438 \u0432 \u0442\u0435\u043a\u0441\u0442\u0435, \u0447\u0442\u043e \u0432\u044b\u0433\u043e\u0434\u043d\u043e \u0432\u044b\u0434\u0435\u043b\u0438\u043b\u043e \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440 \u043d\u0430 \u0444\u043e\u043d\u0435 \u0434\u0440\u0443\u0433\u0438\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0430 \u0438 \u043f\u043e\u0437\u0432\u043e\u043b\u0438\u043b\u043e \u0435\u043c\u0443 \u0437\u0430\u043d\u044f\u0442\u044c \u043c\u0435\u0441\u0442\u043e \u043f\u043e\u0434 \u0441\u043e\u043b\u043d\u0446\u0435\u043c. \u0424\u043e\u0440\u043c\u0430\u043b\u044c\u043d\u043e \u044d\u0442\u043e\u0442 \u0441\u043b\u043e\u0439 \u0437\u0430\u043f\u0438\u0441\u044b\u0432\u0430\u0435\u0442\u0441\u044f \u0432 \u0442\u0435\u0440\u043c\u0438\u043d\u0430\u0445 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0445 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u0439:<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"formula\" source=\"\\text{Attention}(Q, K, V) = \\text{Softmax}\\left(\\frac{QK^{\\mathsf{T}}}{\\sqrt{d_k}}\\right)V,\" alt=\"\\text{Attention}(Q, K, V) = \\text{Softmax}\\left(\\frac{QK^{\\mathsf{T}}}{\\sqrt{d_k}}\\right)V,\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/6f5\/6a7\/56f\/6f56a756ff0f1bf515432e682ca1639a.svg\" width=\"369\" height=\"53\"\/><img loading=\"lazy\" decoding=\"async\" class=\"formula\" source=\"\\text{MultiHeadAttention}(Q, K, V) = \\text{Concat}(\\text{head}_1, \\dots, \\text{head}_h)W^O,\" alt=\"\\text{MultiHeadAttention}(Q, K, V) = \\text{Concat}(\\text{head}_1, \\dots, \\text{head}_h)W^O,\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/ff3\/a9f\/64f\/ff3a9f64f8df2adffe643b504e699771.svg\" width=\"541\" height=\"25\"\/><\/p>\n<p>\u0433\u0434\u0435<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"formula\" source=\"\\text{head}_i = \\text{Attention}(QW_i^Q, KW_i^K, VW_i^V).\" alt=\"\\text{head}_i = \\text{Attention}(QW_i^Q, KW_i^K, VW_i^V).\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/f50\/594\/979\/f50594979e5b53ae125646961ba01755.svg\" width=\"347\" height=\"29\"\/><\/p>\n<p>\u0421 2017 \u0433\u043e\u0434\u0430 \u0431\u044b\u043b\u043e \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0435\u043d\u043e \u0431\u0435\u0441\u0447\u0438\u0441\u043b\u0435\u043d\u043d\u043e\u0435 \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u043e \u043c\u043e\u0434\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0439 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u0430 (<a href=\"https:\/\/arxiv.org\/abs\/2006.04768\" rel=\"noopener noreferrer nofollow\"><em>Linformer<\/em><\/a>, <a href=\"https:\/\/arxiv.org\/abs\/2001.04451\" rel=\"noopener noreferrer nofollow\"><em>Reformer<\/em><\/a>, <a href=\"https:\/\/arxiv.org\/abs\/2009.14794\" rel=\"noopener noreferrer nofollow\"><em>Perfomer<\/em><\/a>, etc.), \u0434\u0435\u043b\u0430\u044e\u0449\u0438\u0445 \u0435\u0433\u043e \u0431\u043e\u043b\u0435\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u044b\u043c, \u0441\u0442\u0430\u0431\u0438\u043b\u0438\u0437\u0438\u0440\u0443\u044e\u0449\u0438\u0445 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0438 \u0442\u0430\u043a \u0434\u0430\u043b\u0435\u0435. \u0422\u0430\u043a\u043e\u0439 \u0431\u0443\u043c \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u043e\u0432 \u043d\u0435 \u043c\u043e\u0433 \u043d\u0435 \u0437\u0430\u0442\u0440\u043e\u043d\u0443\u0442\u044c \u0434\u0440\u0443\u0433\u0438\u0435 \u0441\u0444\u0435\u0440\u044b \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u0433\u043b\u0443\u0431\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043f\u043e\u043c\u0438\u043c\u043e NLP, \u0438 \u0441 ~2020 \u0433\u043e\u0434\u0430 \u043e\u043d\u0438 \u043d\u0430\u0447\u0430\u043b\u0438 \u043f\u0440\u043e\u043d\u0438\u043a\u0430\u0442\u044c \u0432 CV.<\/p>\n<h4>\u0422\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u044f Computer Vision-\u0430<\/h4>\n<p>\u0412\u043e\u043e\u0431\u0449\u0435 \u0438\u0434\u0435\u044f \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u0430 \u043a \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c \u0438\u0437\u043d\u0430\u0447\u0430\u043b\u044c\u043d\u043e \u043c\u043e\u0436\u0435\u0442 \u0441\u043c\u0443\u0442\u0438\u0442\u044c \u0447\u0438\u0442\u0430\u0442\u0435\u043b\u044f. \u0412\u0441\u0451-\u0442\u0430\u043a\u0438 \u0442\u0435\u043a\u0441\u0442 \u0438 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u2014 \u044d\u0442\u043e \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u043e\u0442\u043b\u0438\u0447\u0430\u044e\u0449\u0438\u0435\u0441\u044f \u043c\u043e\u0434\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u0438, \u043a\u0430\u043a \u043c\u0438\u043d\u0438\u043c\u0443\u043c \u0442\u0435\u043c, \u0447\u0442\u043e \u0442\u0435\u043a\u0441\u0442 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c\u044e \u0441\u043b\u043e\u0432. \u0418\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u2014 \u044d\u0442\u043e \u0442\u043e\u0436\u0435 \u0432 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u043e\u043c \u0441\u043c\u044b\u0441\u043b\u0435 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c (\u043f\u0438\u043a\u0441\u0435\u043b\u0435\u0439), \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u043c\u043e\u0436\u043d\u043e \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0438\u0442\u044c \u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432\u0435\u043d\u043d\u043e, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440 <a href=\"https:\/\/openai.com\/blog\/image-gpt\/\" rel=\"noopener noreferrer nofollow\">\u043f\u043e\u0441\u0442\u0440\u043e\u0447\u043d\u043e<\/a>, \u043f\u0440\u0430\u0432\u0434\u0430 \u0443 \u0442\u0430\u043a\u043e\u0433\u043e \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u043d\u0435 \u0431\u0443\u0434\u0435\u0442 \u0441\u0435\u043c\u0430\u043d\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0441\u043c\u044b\u0441\u043b\u0430 \u0432 \u043e\u0442\u043b\u0438\u0447\u0438\u0435 \u043e\u0442 \u0442\u0435\u043a\u0441\u0442\u0430. \u041e\u0434\u043d\u0430\u043a\u043e \u043d\u0435 \u0441\u0442\u043e\u0438\u0442 \u0437\u0430\u0431\u044b\u0432\u0430\u0442\u044c, \u0447\u0442\u043e <em>Mult<\/em>i-<em>Head<\/em> <em>Attention<\/em> \u043d\u0430 \u0441\u0430\u043c\u043e\u043c \u0434\u0435\u043b\u0435 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0435\u0439 \u043d\u0435 \u043d\u0430\u0434 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044f\u043c\u0438, \u0430 \u043d\u0430\u0434 \u043d\u0435\u0443\u043f\u043e\u0440\u044f\u0434\u043e\u0447\u0435\u043d\u043d\u044b\u043c\u0438 \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0430\u043c\u0438 \u0432\u0435\u043a\u0442\u043e\u0440\u043e\u0432, \u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u043e\u0439 \u0442\u0435\u043a\u0441\u0442 \u043d\u0430\u0434\u0435\u043b\u044f\u0435\u0442\u0441\u044f \u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e <a href=\"https:\/\/kazemnejad.com\/blog\/transformer_architecture_positional_encoding\/\" rel=\"noopener noreferrer nofollow\"><em>positional<\/em> <em>encoding-\u0430<\/em><\/a>, \u0442\u0430\u043a \u0447\u0442\u043e \u0430\u0440\u0433\u0443\u043c\u0435\u043d\u0442 \u0432\u044b\u0448\u0435 \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u043d\u0435\u0432\u0430\u043b\u0438\u0434\u043d\u044b\u043c. \u0412\u0430\u043b\u0438\u0434\u043d\u044b\u043c \u0430\u0440\u0433\u0443\u043c\u0435\u043d\u0442\u043e\u043c \u043f\u0440\u043e\u0442\u0438\u0432 <em>Visual<\/em> <em>Transformer-\u043e\u0432<\/em> \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u043e\u0442\u0441\u0443\u0442\u0441\u0442\u0432\u0438\u0435 \u0432 \u043d\u0438\u0445 \u043f\u0440\u0438\u044f\u0442\u043d\u044b\u0445 <a href=\"https:\/\/en.wikipedia.org\/wiki\/Inductive_bias\" rel=\"noopener noreferrer nofollow\"><em>inductive<\/em> <em>bias<\/em>&#8212;<em>\u043e\u0432<\/em><\/a>, \u0438\u043c\u0435\u044e\u0449\u0438\u0445\u0441\u044f \u0443 \u0441\u0432\u0451\u0440\u0442\u043e\u0447\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439: \u044d\u043a\u0432\u0438\u0432\u0430\u0440\u0438\u0430\u043d\u0442\u043d\u043e\u0441\u0442\u0438 \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0441\u0434\u0432\u0438\u0433\u043e\u0432 \u0438 \u043f\u0440\u0435\u0434\u043f\u043e\u043b\u043e\u0436\u0435\u043d\u0438\u0438 \u043e \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0439 \u043b\u043e\u043a\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u0438 \u043f\u0440\u0438\u043d\u0437\u043d\u0430\u043a\u043e\u0432. \u041e\u0434\u043d\u0430\u043a\u043e \u044d\u0442\u043e \u0442\u0430\u043a \u0436\u0435 \u0441\u043f\u043e\u0440\u043d\u044b\u0439 \u043c\u043e\u043c\u0435\u043d\u0442, \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043f\u0440\u043e \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u0447\u0438\u0442\u0430\u0442\u044c <a href=\"https:\/\/habr.com\/ru\/post\/591779\/\" rel=\"noopener noreferrer nofollow\">\u0437\u0434\u0435\u0441\u044c<\/a>. \u0410 \u043f\u043e\u043a\u0430 \u0441\u043e\u043c\u043d\u0435\u0432\u0430\u044e\u0449\u0438\u0435\u0441\u044f \u0441\u043e\u043c\u043d\u0435\u0432\u0430\u043b\u0438\u0441\u044c, \u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u0441\u043a\u0438\u0435 \u0433\u0440\u0443\u043f\u043f\u044b \u0434\u0435\u043b\u0430\u043b\u0438, \u0438 \u044f\u0432\u0438\u043b\u0438 \u043c\u0438\u0440\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e <em>Visual<\/em> <em>Transoformer-\u043e\u0432<\/em> (<a href=\"https:\/\/arxiv.org\/abs\/2111.06091\" rel=\"noopener noreferrer nofollow\">\u043d\u0435\u043f\u043b\u043e\u0445\u043e\u0439 survey<\/a>), \u0432 \u0442\u043e\u043c \u0447\u0438\u0441\u043b\u0435 <a href=\"https:\/\/arxiv.org\/abs\/2010.11929\" rel=\"noopener noreferrer nofollow\"><em>ViT<\/em><\/a>, \u043d\u0430 \u043f\u0440\u0438\u043c\u0435\u0440\u0435 \u043a\u043e\u0442\u043e\u0440\u043e\u0433\u043e \u043c\u044b \u0432\u044b\u044f\u0441\u043d\u0438\u043c \u043a\u0430\u043a \u0436\u0435 \u043f\u0435\u0440\u0435\u0444\u043e\u0440\u043c\u0443\u043b\u0438\u0440\u043e\u0432\u0430\u0442\u044c <em>Mult<\/em>i-<em>Head<\/em> <em>Attention <\/em>\u0434\u043b\u044f \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439.<\/p>\n<h4>An Image Is Worth 16&#215;16 Words<\/h4>\n<p>\u0410\u0432\u0442\u043e\u0440\u044b <em>ViT-<s>\u0438<\/s>\u0430<\/em> \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0438\u043b\u0438 \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u043f\u0440\u044f\u043c\u043e\u043b\u0438\u043d\u0435\u0439\u043d\u0443\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443:<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w780q1\/getpro\/habr\/upload_files\/acf\/151\/c69\/acf151c69e55a00d5994f74c959b3add.jpg\" width=\"1373\" height=\"723\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/acf\/151\/c69\/acf151c69e55a00d5994f74c959b3add.jpg\" data-blurred=\"true\"\/><figcaption><\/figcaption><\/figure>\n<p>\u0418\u0441\u0445\u043e\u0434\u043d\u0430\u044f \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0430 \u043d\u0430\u0440\u0435\u0437\u0430\u0435\u0442\u0441\u044f \u043d\u0430 \u043f\u0430\u0442\u0447\u0438 16&#215;16, \u043e\u043d\u0438 \u0432\u044b\u0442\u044f\u0433\u0438\u0432\u0430\u044e\u0442\u0441\u044f \u0432 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u0438 \u0432\u0441\u0435 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u0430\u044e\u0442\u0441\u044f \u0447\u0435\u0440\u0435\u0437 \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0439 \u0441\u043b\u043e\u0439. \u0414\u0430\u043b\u0435\u0435 \u043a \u043d\u0438\u043c \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u044f\u044e\u0442\u0441\u044f \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u044b\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u0430, \u0438\u0433\u0440\u0430\u044e\u0449\u0438\u0435 \u0440\u043e\u043b\u044c <em>positional<\/em> <em>embedding-\u043e\u0432<\/em>, \u0430 \u0442\u0430\u043a\u0436\u0435 \u043a \u043d\u0430\u0431\u043e\u0440\u0443 \u0434\u043e\u0431\u0430\u0432\u043b\u0435\u0442\u0441\u044f \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u044b\u0439 \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u044b\u0439 \u044d\u043c\u0431\u0435\u0434\u0434\u0438\u043d\u0433, \u044f\u0432\u043b\u044f\u044e\u0449\u0438\u0439\u0441\u044f \u043f\u0440\u044f\u043c\u044b\u043c \u0430\u043d\u0430\u043b\u043e\u0433\u043e\u043c <em>CLS-\u0442\u043e\u043a\u0435\u043d\u0430<\/em> <em>BERT-\u0430<\/em>. \u0410 \u043d\u0430 \u044d\u0442\u043e\u043c \u0442\u043e \u0438 \u0432\u0441\u0451! \u0414\u0430\u043b\u0435\u0435 \u0438\u0434\u0451\u0442 \u0441\u0430\u043c\u044b\u0439 \u043e\u0431\u044b\u0447\u043d\u044b\u0439 <em>Transformer<\/em> <em>Encoder<\/em> (<em>N<\/em> <em>x<\/em> <em>Mult<\/em>i-<em>Head<\/em> <em>Attention<\/em> \u0435\u0441\u043b\u0438 \u0443\u0433\u043e\u0434\u043d\u043e), \u0438 \u043a\u043b\u0430\u0441\u0441 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442\u0441\u044f \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u043c \u043f\u0435\u0440\u0446\u0435\u043f\u0442\u0440\u043e\u043d\u043e\u043c, \u0431\u0435\u0440\u0443\u0449\u0438\u043c \u043d\u0430 \u0432\u0445\u043e\u0434 \u0442\u043e, \u0447\u0442\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c \u043d\u0430 \u043c\u0435\u0441\u0442\u0435 <em>CLS-\u0442\u043e\u043a\u0435\u043d\u0430<\/em>. \u041a\u0430\u043a \u0438 ~\u043b\u044e\u0431\u043e\u0439 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440, \u043c\u043e\u0434\u0435\u043b\u044c \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0430\u0441\u044c \u043e\u0447\u0435\u043d\u044c \u043f\u0440\u043e\u0436\u043e\u0440\u043b\u0438\u0432\u043e\u0439 \u0432 \u0442\u043e\u043c \u0441\u043c\u044b\u0441\u043b\u0435, \u0447\u0442\u043e \u0434\u043b\u044f \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u043e\u043a\u043e\u043b\u043e\u0441\u043e\u0442\u043e\u0432\u044b\u0445 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u0432 \u0435\u0439 \u043d\u0443\u0436\u043d\u043e \u043f\u0440\u0435\u0434\u043e\u0431\u0443\u0447\u0430\u0442\u044c\u0441\u044f \u043d\u0430 \u0433\u0440\u043e\u043c\u0430\u0434\u043d\u044b\u0445 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u0445, \u0442\u0430\u043a\u0438\u0445 \u043a\u0430\u043a \u0437\u0430\u043a\u0440\u044b\u0442\u044b\u0439 \u0433\u0443\u0433\u043b\u043e\u0432\u0441\u043a\u0438\u0439 <a href=\"https:\/\/paperswithcode.com\/dataset\/jft-300m\" rel=\"noopener noreferrer nofollow\"><em>JFT-300M<\/em><\/a>. \u0422\u0435\u043c \u043d\u0435 \u043c\u0435\u043d\u0435\u0435 \u0432 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0451\u043d\u043d\u043e\u043c \u0441\u0435\u0442\u0430\u043f\u0435 \u0441\u0435\u0442\u043a\u0430 \u0441\u043c\u043e\u0433\u043b\u0430 \u043e\u0431\u043e\u0439\u0442\u0438 \u0441\u043e\u0442\u043e\u0432\u044b\u0445 <a href=\"https:\/\/arxiv.org\/abs\/1912.11370\" rel=\"noopener noreferrer nofollow\"><em>BiT-L<\/em><\/a> \u0438 <a href=\"https:\/\/arxiv.org\/abs\/1911.04252\" rel=\"noopener noreferrer nofollow\"><em>Noisy Student-\u0430<\/em><\/a>, \u0447\u0442\u043e \u043c\u043e\u0436\u043d\u043e \u0441\u0447\u0438\u0442\u0430\u0442\u044c \u0443\u0441\u043f\u0435\u0445\u043e\u043c. \u0417\u0430 \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u043e\u0441\u0442\u044f\u043c \u043e\u0442\u0441\u044b\u043b\u0430\u044e \u0447\u0438\u0442\u0430\u0442\u0435\u043b\u044f \u043a <a href=\"https:\/\/arxiv.org\/abs\/2010.11929\" rel=\"noopener noreferrer nofollow\">\u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435<\/a>, \u043c\u043d\u043e\u0433\u043e \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e\u0433\u043e \u043c\u043e\u0436\u043d\u043e \u043d\u0430\u0439\u0442\u0438 \u0432 <em>ablation-\u0435<\/em>, \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u0441\u043e\u0432\u0435\u0442\u0443\u044e \u0438\u0437\u0443\u0447\u0438\u0442\u044c \u0433\u0440\u0430\u0444\u0438\u043a\u0438 <em>Mean<\/em> <em>Attention<\/em> <em>Distance-\u0430<\/em>, \u044f\u0432\u043b\u044f\u044e\u0449\u0438\u043c\u0441\u044f \u0430\u043d\u0430\u043b\u043e\u0433\u043e\u043c <em>receptive<\/em> <em>field-\u0430<\/em>.<\/p>\n<p>\u0412\u0441\u0451 \u0432\u0440\u043e\u0434\u0435 \u0438 \u043d\u0435\u043f\u043b\u043e\u0445\u043e, \u043d\u043e \u043d\u0435 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0435\u0439 \u0435\u0434\u0438\u043d\u043e\u0439 \u0437\u0430\u043d\u0438\u043c\u0430\u044e\u0442\u0441\u044f \u0432 CV. \u0415\u0441\u0442\u044c \u0437\u0430\u0434\u0430\u0447\u0438 \u043f\u043e \u0442\u0438\u043f\u0443 <em>Object<\/em> <em>Detection-\u0430<\/em>, \u0432 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0437\u0430\u0447\u0430\u0441\u0442\u0443\u044e \u0432\u0430\u0436\u043d\u044b \u043c\u0435\u043b\u043a\u0438\u0435 \u0434\u0435\u0442\u0430\u043b\u0438, \u0438\u043b\u0438 \u0436\u0435 \u0437\u0430\u0434\u0430\u0447\u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438, \u0434\u043b\u044f \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u0432\u043e\u043e\u0431\u0449\u0435 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0434\u0435\u043b\u0430\u0442\u044c <em>pixel-level<\/em> \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u0435. \u0412\u0441\u0435 \u044d\u0442\u043e \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u043a\u0430\u043a \u043c\u0438\u043d\u0438\u043c\u0443\u043c \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u0438 \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c\u0438 \u0432\u044b\u0441\u043e\u043a\u043e\u0433\u043e \u0440\u0430\u0437\u0440\u0435\u0448\u0435\u043d\u0438\u044f, \u0442\u043e \u0435\u0441\u0442\u044c \u0437\u043d\u0430\u0447\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0433\u043e \u0443\u0432\u0435\u043b\u0438\u0447\u0435\u043d\u0438\u044f \u0440\u0430\u0437\u043c\u0435\u0440\u0430 \u0432\u0445\u043e\u0434\u0430. \u0410 \u043a\u0430\u043a \u043d\u0435\u0442\u0440\u0443\u0434\u043d\u043e \u0432\u0438\u0434\u0435\u0442\u044c, <em>Attention<\/em> \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u0437\u0430 \u043a\u0432\u0430\u0434\u0440\u0430\u0442\u0438\u0447\u043d\u043e\u0435 \u043f\u043e \u0432\u0445\u043e\u0434\u0443 \u0432\u0440\u0435\u043c\u044f, \u0447\u0442\u043e \u0432 \u0441\u043b\u0443\u0447\u0430\u0435 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a 1920\u04451920 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043e\u0441\u0442\u0440\u0435\u0439\u0448\u0435\u0439 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u043e\u0439, \u0442\u0430\u043a \u043a\u0430\u043a \u0432\u0440\u0435\u043c\u044f <em>forward<\/em> <em>pass-\u0430<\/em> \u0432\u0437\u043c\u044b\u0432\u0430\u0435\u0442 \u0434\u043e \u043d\u0435\u0431\u0435\u0441. \u041a \u0442\u043e\u043c\u0443 \u0436\u0435 \u043c\u0435\u043b\u043a\u0438\u0435 \u0434\u0435\u0442\u0430\u043b\u0438 \u043c\u043e\u0433\u0443 \u043f\u043e\u0442\u0435\u0440\u044f\u0442\u044c\u0441\u044f \u0443\u0436\u0435 \u043d\u0430 \u043f\u0435\u0440\u0432\u043e\u043c \u0441\u043b\u043e\u0435, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0441\u0443\u0442\u044c \u0441\u0432\u0451\u0440\u0442\u043a\u0430 16\u044516 \u0441\u043e \u0441\u0442\u0440\u0430\u0439\u0434\u043e\u043c 16. \u041a\u0442\u043e \u0432\u0438\u043d\u043e\u0432\u0430\u0442 \u0438 \u0447\u0442\u043e \u0434\u0435\u043b\u0430\u0442\u044c? \u041d\u0430 \u043f\u0435\u0440\u0432\u044b\u0439 \u0432\u043e\u043f\u0440\u043e\u0441 \u043e\u0442\u0432\u0435\u0442 +- \u043f\u043e\u043d\u044f\u0442\u0435\u043d \u2014 \u0434\u0435\u043b\u043e \u0432 \u0441\u043b\u0438\u0448\u043a\u043e\u043c \u0442\u0432\u0435\u0440\u0434\u043e\u043b\u043e\u0431\u043e\u0439 \u0430\u0434\u0430\u043f\u0442\u0430\u0446\u0438\u0438 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u043d\u043e\u0439 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b \u043f\u043e\u0434 CV. \u0410 \u043e\u0442\u0432\u0435\u0442\u0443 \u043d\u0430 \u0432\u0442\u043e\u0440\u043e\u0439 \u0432\u043e\u043f\u0440\u043e\u0441 \u043f\u043e\u0441\u0432\u044f\u0449\u0430\u0435\u0442\u0441\u044f \u043e\u0441\u0442\u0430\u0432\u0448\u0430\u044f\u0441\u044f \u0447\u0430\u0441\u0442\u044c \u044d\u0442\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0438.<\/p>\n<h3>Swin Transformer<\/h3>\n<p>\u041f\u0440\u043e\u0431\u043b\u0435\u043c\u044b <em>ViT-\u0430<\/em> \u043e\u0431\u043e\u0437\u043d\u0430\u0447\u0438\u043b\u0438\u0441\u044c \u0435\u0449\u0451 \u0432 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u043c \u043f\u0430\u0440\u0430\u0433\u0440\u0430\u0444\u0435, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u043d\u0435 \u0431\u0443\u0434\u0435\u043c \u0445\u043e\u0434\u0438\u0442\u044c \u0432\u043e\u043a\u0440\u0443\u0433 \u0434\u0430 \u043e\u043a\u043e\u043b\u043e \u0438 \u0441\u0440\u0430\u0437\u0443 \u043f\u0435\u0440\u0435\u0439\u0434\u0435\u043c \u043a \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0435\u043d\u0438\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b, \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0435\u043d\u043d\u043e\u0439 \u0432 \u0441\u0442\u0430\u0442\u044c\u0435 <a href=\"https:\/\/arxiv.org\/abs\/2103.14030\" rel=\"noopener noreferrer nofollow\">\u00abSwin Transformer: Hierarchical Vision Transformer using Shifted Windows\u00bb<\/a>:<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w780q1\/getpro\/habr\/upload_files\/c50\/b87\/551\/c50b875512403f6399510cc736088b76.jpg\" width=\"1450\" height=\"454\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/c50\/b87\/551\/c50b875512403f6399510cc736088b76.jpg\" data-blurred=\"true\"\/><figcaption><\/figcaption><\/figure>\n<p>\u041f\u0435\u0440\u0432\u044b\u0439 \u0441\u043b\u043e\u0439 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0442\u0430\u043a\u043e\u0439 \u0436\u0435, \u043a\u0430\u043a \u0438 \u0432 <em>ViT-\u0435<\/em> \u2014 \u0438\u0441\u0445\u043e\u0434\u043d\u0430\u044f \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0430 \u043d\u0430\u0440\u0435\u0437\u0430\u0435\u0442\u0441\u044f \u043d\u0430 \u043f\u0430\u0442\u0447\u0438 \u0438 \u043f\u0440\u043e\u0435\u0446\u0438\u0440\u0443\u0435\u0442\u0441\u044f \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u043c \u0441\u043b\u043e\u0435\u043c. \u0415\u0434\u0438\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0435 \u043e\u0442\u043b\u0438\u0447\u0438\u0435 \u0432 \u0442\u043e\u043c, \u0447\u0442\u043e \u0432 <em>Swin-\u0435<\/em> \u043d\u0430 \u043f\u0435\u0440\u0432\u043e\u043c \u0441\u043b\u043e\u0435 \u043f\u0430\u0442\u0447\u0438 \u0438\u043c\u0435\u044e\u0442 \u0440\u0430\u0437\u043c\u0435\u0440 4\u04454, \u0447\u0442\u043e \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u043e\u0431\u0440\u0430\u0431\u0430\u0442\u044b\u0432\u0430\u0442\u044c \u0431\u043e\u043b\u0435\u0435 \u043c\u0435\u043b\u043a\u0438\u0439 \u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442. \u0414\u0430\u043b\u0435\u0435 \u0438\u0434\u0443\u0442 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e <em>Patch<\/em> <em>Merging<\/em> \u0438 <em>Swin<\/em> <em>Transformer<\/em> <em>Block<\/em> \u0441\u043b\u043e\u0451\u0432. <em>Patch<\/em> <em>Merging<\/em> \u0437\u0430\u043d\u0438\u043c\u0430\u0435\u0442\u0441\u044f \u0442\u0435\u043c, \u0447\u0442\u043e \u043a\u043e\u043d\u043a\u0430\u0442\u0435\u043d\u0438\u0440\u0443\u0435\u0442 \u0444\u0438\u0447\u0438 \u0441\u043e\u0441\u0435\u0434\u043d\u0438\u0445 (\u0432 \u043e\u043a\u043d\u0435 2\u04452) \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u0438 \u043f\u043e\u043d\u0438\u0436\u0430\u0435\u0442 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c, \u043f\u043e\u043b\u0443\u0447\u0430\u044f \u0431\u043e\u043b\u0435\u0435 \u0432\u044b\u0441\u043e\u043a\u043e\u0443\u0440\u043e\u0432\u043d\u0435\u0432\u043e\u0435 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u0435. \u0422\u0430\u043a\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c, \u043f\u043e\u0441\u043b\u0435 \u043a\u0430\u0436\u0434\u043e\u0433\u043e <em>Stage-\u0430<\/em> \u043e\u0431\u0440\u0430\u0437\u0443\u044e\u0442\u0441\u044f \u00ab\u043a\u0430\u0440\u0442\u044b\u00bb \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u043e\u0432, \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0449\u0438\u0435 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044e \u043d\u0430 \u0440\u0430\u0437\u043d\u044b\u0445 \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0445 \u043c\u0430\u0441\u0448\u0442\u0430\u0431\u0430\u0445, \u0447\u0442\u043e \u043a\u0430\u043a \u0440\u0430\u0437 \u0438 \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0438\u0435\u0440\u0430\u0440\u0445\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f, \u043f\u043e\u043b\u0435\u0437\u043d\u043e\u0435 \u0434\u043b\u044f \u0434\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u0439 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438\/<em>Object<\/em> <em>Detection-\u0430<\/em>\/etc:<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w780q1\/getpro\/habr\/upload_files\/a1e\/410\/eed\/a1e410eedfb95e2c58d6b9781f3bb5bb.jpg\" width=\"978\" height=\"561\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/a1e\/410\/eed\/a1e410eedfb95e2c58d6b9781f3bb5bb.jpg\" data-blurred=\"true\"\/><figcaption><\/figcaption><\/figure>\n<p>\u0411\u043b\u0430\u0433\u043e\u0434\u0430\u0440\u044f \u044d\u0442\u043e\u043c\u0443 <em>Swin<\/em> <em>Transfomer<\/em> \u043c\u043e\u0436\u0435\u0442 \u0441\u043b\u0443\u0436\u0438\u0442\u044c \u0443\u043d\u0438\u0432\u0435\u0440\u0441\u0430\u043b\u044c\u043d\u044b\u043c <em>backbone-\u043e\u043c<\/em> \u0434\u043b\u044f \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0445 \u0437\u0430\u0434\u0430\u0447 CV.<\/p>\n<p><em>Swin<\/em> <em>Transformer<\/em> <em>Block<\/em> \u2014 \u043a\u043b\u044e\u0447\u0435\u0432\u0430\u044f \u0438\u0437\u044e\u043c\u0438\u043d\u043a\u0430 \u0432\u0441\u0435\u0439 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b:<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w780q1\/getpro\/habr\/upload_files\/b01\/d1c\/894\/b01d1c89427ad597bf59243701faba34.jpg\" width=\"528\" height=\"560\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/b01\/d1c\/894\/b01d1c89427ad597bf59243701faba34.jpg\" data-blurred=\"true\"\/><figcaption><\/figcaption><\/figure>\n<p>\u041a\u0430\u043a \u0432\u0438\u0434\u043d\u043e \u0438\u0437 \u0441\u0445\u0435\u043c\u044b, \u0434\u0432\u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u0445 \u0431\u043b\u043e\u043a\u0430 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u044e\u0442 \u0441\u043e\u0431\u043e\u0439 \u0434\u0432\u0430 \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u043d\u044b\u0445 \u0431\u043b\u043e\u043a\u0430 \u0441 <em>MLP<\/em>, <a href=\"https:\/\/arxiv.org\/abs\/1607.06450\" rel=\"noopener noreferrer nofollow\"><em>LayerNorm-\u0430\u043c\u0438<\/em><\/a> \u0438 <a href=\"https:\/\/towardsdatascience.com\/resnet-with-identity-mapping-over-1000-layers-reached-image-classification-bb50a42af03e\" rel=\"noopener noreferrer nofollow\"><em>Pre-Activation<\/em> <em>Residual-\u0430\u043c\u0438<\/em><\/a>, \u043e\u0434\u043d\u0430\u043a\u043e <em>Attention<\/em> \u0437\u0430\u043c\u0435\u043d\u0451\u043d \u043d\u0430 \u043d\u0435\u0447\u0442\u043e \u0431\u043e\u043b\u0435\u0435 \u0445\u0438\u0442\u0440\u043e\u0435, \u043a \u0440\u0430\u0437\u0431\u043e\u0440\u0443 \u0447\u0435\u0433\u043e \u043c\u044b \u043d\u0435\u043f\u0440\u0435\u043c\u0435\u043d\u043d\u043e \u043f\u0435\u0440\u0435\u0445\u043e\u0434\u0438\u043c.<\/p>\n<h4>(Shifted) Window Multi-Head Attention<\/h4>\n<p>\u041a\u0430\u043a \u0431\u044b\u043b\u043e \u0443\u043f\u043e\u043c\u044f\u043d\u0443\u0442\u043e, \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u043e\u0439 <em>Multi-Head<\/em> <em>Attention-\u0430<\/em> \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0435\u0433\u043e \u043a\u0432\u0430\u0434\u0440\u0430\u0442\u0438\u0447\u043d\u0430\u044f \u0441\u043b\u043e\u0436\u043d\u043e\u0441\u0442\u044c, \u0431\u043e\u043b\u044c\u043d\u043e \u0441\u0442\u0440\u0435\u043b\u044f\u044e\u0449\u0430\u044f \u0432 \u043d\u043e\u0433\u0443 \u043f\u0440\u0438 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0438 \u043d\u0430 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0430\u0445 \u0432\u044b\u0441\u043e\u043a\u043e\u0433\u043e \u0440\u0430\u0437\u0440\u0435\u0448\u0435\u043d\u0438\u044f. \u041d\u0430 \u0443\u043c \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442 \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u043e\u0435 \u0440\u0435\u0448\u0435\u043d\u0438\u0435, \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u043d\u043e\u0435 \u0435\u0449\u0435 \u0432 \u0441\u0442\u0430\u0442\u044c\u0435 \u043f\u0440\u043e <a href=\"https:\/\/arxiv.org\/abs\/2004.05150\" rel=\"noopener noreferrer nofollow\"><em>Longformer<\/em><\/a> \u2014 \u0434\u0430\u0432\u0430\u0439\u0442\u0435 \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u0441\u0447\u0438\u0442\u0430\u0442\u044c <em>Attention<\/em> \u043d\u0435 \u0441\u043e \u0432\u0441\u0435\u043c\u0438 \u0434\u0440\u0443\u0433\u0438\u043c\u0438 \u0442\u043e\u043a\u0435\u043d\u0430\u043c\u0438, \u0430 \u0442\u043e\u043b\u044c\u043a\u043e \u0441 \u043d\u0430\u0445\u043e\u0434\u044f\u0449\u0438\u043c\u0438\u0441\u044f \u0432 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u043e\u043c \u043e\u043a\u043d\u0435 \u0444\u0438\u043a\u0441\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0433\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u0430 (<em>Window<\/em> <em>Mutli-Head<\/em> <em>Attention<\/em>). \u0415\u0441\u043b\u0438 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u2014 <em>C<\/em>, \u0430 \u0440\u0430\u0437\u043c\u0435\u0440 \u043e\u043a\u043d\u0430 \u2014 <em>MxM<\/em>, \u0442\u043e \u0441\u043b\u043e\u0436\u043d\u043e\u0441\u0442\u0438 \u0434\u043b\u044f <em>(Window)<\/em> <em>Multi-Head<\/em> <em>Self<\/em> <em>Attention-\u043e\u0432<\/em> \u043f\u043e\u043b\u0443\u0447\u0430\u044e\u0442\u0441\u044f \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0435:<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"formula\" source=\"\\Omega(MSA) = 4hwC^2 + 2(hw)^2C,\" alt=\"\\Omega(MSA) = 4hwC^2 + 2(hw)^2C,\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/b4b\/8ad\/6f1\/b4b8ad6f10b5865614d66533874ae098.svg\" width=\"267\" height=\"25\"\/><img loading=\"lazy\" decoding=\"async\" class=\"formula\" source=\"\\Omega(W\\text{-}MSA) = 4hwC^2 + 2M^2hwC\" alt=\"\\Omega(W\\text{-}MSA) = 4hwC^2 + 2M^2hwC\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/750\/d0e\/69d\/750d0e69db11ff713cc9199c38b0aa0f.svg\" width=\"294\" height=\"25\"\/><\/p>\n<p>\u0422\u043e \u0435\u0441\u0442\u044c <em>Attention<\/em> \u0442\u0435\u043f\u0435\u0440\u044c \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u0437\u0430 \u043b\u0438\u043d\u0435\u0439\u043d\u043e\u0435 \u043f\u043e <em>hw<\/em> \u0432\u0440\u0435\u043c\u044f! \u041e\u0434\u043d\u0430\u043a\u043e \u0442\u0430\u043a\u043e\u0439 \u043f\u043e\u0434\u0445\u043e\u0434 \u0443\u043c\u0435\u043d\u044c\u0448\u0430\u0435\u0442 \u043e\u0431\u0449\u0443\u044e \u0440\u0435\u043f\u0440\u0435\u0437\u0435\u043d\u0442\u0430\u0442\u0438\u0432\u043d\u0443\u044e \u0441\u043f\u043e\u0441\u043e\u0431\u043d\u043e\u0441\u0442\u044c \u0441\u0435\u0442\u0438, \u0442\u0430\u043a \u043a\u0430\u043a \u0442\u043e\u043a\u0435\u043d\u044b \u0438\u0437 \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0445 \u043e\u043a\u043e\u043d \u043d\u0438\u043a\u0430\u043a \u043d\u0435 \u0431\u0443\u0434\u0443\u0442 \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u043e\u0432\u0430\u0442\u044c. \u0427\u0442\u043e\u0431\u044b \u0438\u0441\u043f\u0440\u0430\u0432\u0438\u0442\u044c \u0441\u0438\u0442\u0443\u0430\u0446\u0438\u044e, \u0430\u0432\u0442\u043e\u0440\u044b \u043f\u043e\u0441\u0442\u0443\u043f\u0438\u043b\u0438 \u043b\u044e\u0431\u043e\u043f\u044b\u0442\u043d\u044b\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c. \u041f\u043e\u0441\u043b\u0435 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0431\u043b\u043e\u043a\u0430 \u0441 <em>Window<\/em> <em>Multi-Head<\/em> <em>Attention-\u043e\u043c<\/em> \u043e\u043d\u0438 \u043f\u043e\u0441\u0442\u0430\u0432\u0438\u043b\u0438 \u0430\u043d\u0430\u043b\u043e\u0433\u0438\u0447\u043d\u044b\u0439 \u0441\u043b\u043e\u0439, \u0441\u043e \u0441\u043c\u0435\u0449\u0451\u043d\u043d\u044b\u043c\u0438 \u043f\u043e \u0434\u0438\u0430\u0433\u043e\u043d\u0430\u043b\u0438 \u043e\u043a\u043d\u0430\u043c\u0438 <em>Attention-\u0430<\/em>:<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w780q1\/getpro\/habr\/upload_files\/6f6\/296\/77a\/6f629677a902519ce7361d9988ee7446.jpg\" width=\"1279\" height=\"492\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/6f6\/296\/77a\/6f629677a902519ce7361d9988ee7446.jpg\" data-blurred=\"true\"\/><figcaption><\/figcaption><\/figure>\n<p>\u042d\u0442\u043e \u0432\u0435\u0440\u043d\u0443\u043b\u043e \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0435 \u043c\u0435\u0436\u0434\u0443 \u0442\u043e\u043a\u0435\u043d\u0430\u043c\u0438, \u043e\u0441\u0442\u0430\u0432\u0438\u0432 \u043f\u0440\u0438 \u044d\u0442\u043e\u043c \u043b\u0438\u043d\u0435\u0439\u043d\u0443\u044e \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u0443\u044e \u0441\u043b\u043e\u0436\u043d\u043e\u0441\u0442\u044c.<\/p>\n<p>\u041a\u0430\u043a \u043f\u0440\u043e\u0438\u043b\u043b\u044e\u0441\u0442\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u043e \u0432\u044b\u0448\u0435, \u0441\u0434\u0432\u0438\u0433 \u043e\u043a\u043e\u043d <em>Attention-\u0430<\/em> \u0443\u0432\u0435\u043b\u0438\u0447\u0438\u0432\u0430\u0435\u0442 \u0438\u0445 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e. \u042d\u0442\u043e \u0437\u043d\u0430\u0447\u0438\u0442, \u0447\u0442\u043e \u0440\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u044d\u0442\u043e\u0433\u043e \u0441\u043b\u043e\u044f \u0441 \u043d\u0430\u0438\u0432\u043d\u044b\u043c \u043f\u0430\u0434\u0434\u0438\u043d\u0433\u043e\u043c \u0438\u0441\u0445\u043e\u0434\u043d\u043e\u0439 \u00ab\u043a\u0430\u0440\u0442\u044b\u00bb \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u043e\u0432 \u043d\u0443\u043b\u044f\u043c\u0438 \u043e\u0431\u044f\u0436\u0435\u0442 \u0441\u0447\u0438\u0442\u0430\u0442\u044c \u0431\u043e\u043b\u044c\u0448\u0435 <em>Attention-\u043e\u0432<\/em> (9 \u0432\u043c\u0435\u0441\u0442\u043e 4 \u0432 \u043f\u0440\u0438\u043c\u0435\u0440\u0435), \u0447\u0435\u043c \u043c\u044b \u043f\u043e\u0441\u0447\u0438\u0442\u0430\u043b\u0438 \u0431\u044b \u0431\u0435\u0437 \u0441\u0434\u0432\u0438\u0433\u0430. \u0427\u0442\u043e\u0431\u044b \u043d\u0435 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u044c \u043b\u0438\u0448\u043d\u0438\u0445 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439, \u0430\u0432\u0442\u043e\u0440\u044b \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0438\u043b\u0438 \u043f\u0435\u0440\u0435\u0434 \u043f\u043e\u0434\u0441\u0447\u0451\u0442\u043e\u043c \u0446\u0438\u043a\u043b\u0438\u0447\u0435\u0441\u043a\u0438 \u0441\u0434\u0432\u0438\u0433\u0430\u0442\u044c \u0441\u0430\u043c\u043e \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u0438 \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u0442\u044c \u0443\u0436\u0435 \u043c\u0430\u0441\u043a\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0439 <em>Attention<\/em>, \u0447\u0442\u043e\u0431\u044b \u0438\u0441\u043a\u043b\u044e\u0447\u0438\u0442\u044c \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0435 \u043d\u0435 \u0441\u043e\u0441\u0435\u0434\u043d\u0438\u0445 \u0442\u043e\u043a\u0435\u043d\u043e\u0432. \u0422\u0430\u043a\u043e\u0439 \u043f\u043e\u0434\u0445\u043e\u0434 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u0435\u0435 \u043d\u0430\u0438\u0432\u043d\u043e\u0433\u043e, \u0442\u0430\u043a \u043a\u0430\u043a \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0441\u0447\u0438\u0442\u0430\u0435\u043c\u044b\u0445 <em>Attention-\u043e\u0432<\/em> \u043d\u0435 \u0443\u0432\u0435\u043b\u0438\u0447\u0438\u0432\u0430\u0435\u0442\u0441\u044f:<\/p>\n<figure class=\"full-width\"><img loading=\"lazy\" decoding=\"async\" src=\"https:\/\/habrastorage.org\/r\/w780q1\/getpro\/habr\/upload_files\/a41\/311\/ddf\/a41311ddf212743358566bd30c222872.jpg\" width=\"1328\" height=\"392\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/a41\/311\/ddf\/a41311ddf212743358566bd30c222872.jpg\" data-blurred=\"true\"\/><figcaption><\/figcaption><\/figure>\n<p>\u0422\u0430\u043a\u0436\u0435 \u0432 <em>Swin-\u0435<\/em> \u0430\u0432\u0442\u043e\u0440\u044b \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043b\u0438 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0434\u0440\u0443\u0433\u0438\u0435 <em>positional<\/em> <em>embedding-\u0438<\/em>. \u0418\u0445 \u0437\u0430\u043c\u0435\u043d\u0438\u043b\u0438 \u043d\u0430 \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u0443\u044e \u043c\u0430\u0442\u0440\u0438\u0446\u0443 <em>\u0412<\/em>, \u043d\u0430\u0437\u044b\u0432\u0430\u0435\u043c\u0443\u044e <em>relative<\/em> <em>position<\/em> <em>bias<\/em>, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043a \u043f\u0440\u043e\u0438\u0437\u0432\u0435\u0434\u0435\u043d\u0438\u044e <em>query<\/em> \u0438 <em>key<\/em> \u043f\u043e\u0434 \u0441\u043e\u0444\u0442\u043c\u0430\u043a\u0441\u043e\u043c:<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"formula\" source=\"\\text{Attention}(Q, K, V) = \\text{Softmax}\\left(\\frac{QK^{\\mathsf{T}}}{\\sqrt{d_k}}+ B\\right)V.\" alt=\"\\text{Attention}(Q, K, V) = \\text{Softmax}\\left(\\frac{QK^{\\mathsf{T}}}{\\sqrt{d_k}}+ B\\right)V.\" src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/efe\/7e0\/d03\/efe7e0d03c662fc6b7eb1956f4b33c50.svg\" width=\"408\" height=\"53\"\/><\/p>\n<p>\u041a\u0430\u043a \u043e\u043a\u0430\u0437\u0430\u043b\u043e\u0441\u044c, \u0442\u0430\u043a\u043e\u0439 \u043f\u043e\u0434\u043e\u0434 \u043f\u0440\u0438\u0432\u043e\u0434\u0438\u0442 \u043a \u043b\u0443\u0447\u0448\u0435\u043c\u0443 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0443.<\/p>\n<h3>\u042d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u044b \u0438 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b<\/h3>\n<p>\u0412\u0441\u0435\u0433\u043e \u0430\u0432\u0442\u043e\u0440\u044b \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0438\u043b\u0438 4 \u043c\u043e\u0434\u0435\u043b\u0438 \u0440\u0430\u0437\u043d\u044b\u0445 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u0432:<\/p>\n<figure class=\"full-width\"><img decoding=\"async\" src=\"\/img\/image-loader.svg\" height=\"210\" data-src=\"https:\/\/habrastorage.org\/getpro\/habr\/upload_files\/14c\/25c\/ad4\/14c25cad468eb372730cc3bc78fa205b.png\" data-width=\"573\"\/><figcaption><\/figcaption><\/figure>\n<p>\u0414\u043b\u044f \u0447\u0435\u0441\u0442\u043d\u043e\u0433\u043e \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u044f \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b \u0431\u044b\u043b\u0438 \u043f\u043e\u0434\u043e\u0431\u0440\u0430\u043d\u044b \u0442\u0430\u043a, \u0447\u0442\u043e\u0431\u044b \u043f\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u0430\u043c \u0438 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0443 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439 <em>Swin-B<\/em> \u043f\u0440\u0438\u043c\u0435\u0440\u043d\u043e \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u043e\u0432\u0430\u043b <em>ViT-B\/DeiT-B<\/em>, \u0430 <em>Swin-T<\/em> \u0438 <em>Swin-S<\/em> <em>ResNet-50<\/em> \u0438 <em>ResNet-101<\/em> \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0435\u043d\u043d\u043e.<\/p>\n<h4>ImageNet-1k \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u044f<\/h4>\n<p>\u0412 \u0434\u0430\u043d\u043d\u043e\u043c \u0431\u0435\u043d\u0447\u043c\u0430\u0440\u043a\u0435 \u0431\u044b\u043b\u0438 \u043f\u0440\u043e\u0432\u0435\u0440\u0435\u043d\u044b \u0434\u0432\u0430 \u0441\u0435\u0442\u0430\u043f\u0430: \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043d\u0430 ImageNet-1k \u0438 \u043f\u0440\u0435\u0434\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043d\u0430 ImageNet-22K \u0441 \u0434\u043e\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435\u043c \u043d\u0430 ImageNet-1K. \u041c\u043e\u0434\u0435\u043b\u0438 \u0441\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u043b\u0438\u0441\u044c \u043f\u043e top-1 accuracy.<\/p>\n<p>\u0412 \u043f\u0435\u0440\u0432\u043e\u0439 \u043f\u043e\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0435 <em>Swin-\u044b<\/em> \u0431\u043e\u043b\u0435\u0435 \u0447\u0435\u043c \u043d\u0430 1.5% \u043e\u0431\u043e\u0448\u043b\u0438 \u0434\u0440\u0443\u0433\u0438\u0435 <em>Visual<\/em> <em>Transformer-\u044b<\/em>, \u0432 \u0442\u043e\u043c \u0447\u0438\u0441\u043b\u0435 <em>ViT-\u044b<\/em>, \u043e\u0442\u0441\u0442\u0430\u044e\u0449\u0438\u0435 \u043e\u0442 \u043f\u0435\u0440\u0432\u044b\u0445 \u043d\u0430 \u0446\u0435\u043b\u044b\u0445 4%. \u0421\u043e\u0442\u043e\u0432\u044b\u0435 \u0436\u0435 <em>EfficienetNet-\u044b<\/em> \u0438 <em>RegNet-\u044b<\/em> \u043e\u043a\u0430\u0437\u0430\u043b\u0438\u0441\u044c \u0441\u043e\u043f\u0435\u0440\u043d\u0438\u043a\u043e\u043c \u043f\u043e\u0441\u0435\u0440\u044c\u0451\u0437\u043d\u0435\u0435 \u2014 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u0438 \u0437\u043d\u0430\u0447\u0438\u043c\u043e \u0442\u0443\u0442 \u043c\u043e\u0436\u043d\u043e \u0433\u043e\u0432\u043e\u0440\u0438\u0442\u044c \u0440\u0430\u0437\u0432\u0435 \u0447\u0442\u043e \u043e\u0431 \u0443\u043b\u0443\u0447\u0448\u0435\u043d\u0438\u0438 \u0431\u0430\u043b\u0430\u043d\u0441\u0430 \u043c\u0435\u0436\u0434\u0443 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c\u044e \u0438 \u0431\u044b\u0441\u0442\u0440\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0435\u043c. \u0412\u043e \u0432\u0442\u043e\u0440\u043e\u0439 \u043f\u043e\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0435 \u043f\u0440\u0435\u0434\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043d\u0430 ImageNet-22K \u0434\u0430\u043b\u043e ~2%-\u044b\u0439 \u043f\u0440\u0438\u0440\u043e\u0441\u0442 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u0438, \u0430 <em>Swin-L<\/em> \u0434\u043e\u0441\u0442\u0438\u0433 87.3% top-1 accuracy. \u042d\u0442\u043e \u0435\u0449\u0451 \u0440\u0430\u0437 \u043f\u043e\u0434\u0442\u0432\u0435\u0440\u0436\u0434\u0430\u0435\u0442 \u0432\u0430\u0436\u043d\u043e\u0441\u0442\u044c \u043f\u0440\u0435\u0434\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432 \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e\u0441\u0442\u0438 \u0434\u043b\u044f \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u043d\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440.<\/p>\n<h4>COCO \u0434\u0435\u0442\u0435\u043a\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432<\/h4>\n<p>\u0414\u043b\u044f \u043e\u0446\u0435\u043d\u043a\u0438 <em>Swin-\u0430<\/em> \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 <em>backbone-\u0430<\/em> \u0434\u043b\u044f \u0434\u0435\u0442\u0435\u043a\u0446\u0438\u0438 \u0430\u0432\u0442\u043e\u0440\u044b \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043b\u0438 \u0435\u0433\u043e \u0432\u043c\u0435\u0441\u0442\u0435 \u0441 \u0442\u0430\u043a\u0438\u043c\u0438 \u0444\u0440\u0435\u0439\u043c\u0432\u043e\u0440\u043a\u0430\u043c\u0438 \u0434\u0435\u0442\u0435\u043a\u0446\u0438\u0438 \u043a\u0430\u043a <em>Cascade<\/em> <em>Mask<\/em> <em>R-CNN<\/em>, <em>ATSS<\/em>, <em>RepPointsV2<\/em> \u0438 <em>Sparse<\/em> <em>R-CNN<\/em>. \u0412 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 <em>backbone-\u043e\u0432<\/em> \u0434\u043b\u044f \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u044f \u0431\u044b\u043b\u0438 \u0432\u0437\u044f\u0442\u044b <em>ResNe(X)t<\/em>, <em>DeiT<\/em> \u0438 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0441\u043e\u0442\u043e\u0432\u044b\u0445 \u0441\u0432\u0451\u0440\u0442\u043e\u0447\u043d\u044b\u0445 \u0430\u0440\u0438\u0442\u0435\u043a\u0442\u0443\u0440.<\/p>\n<p>\u0414\u043b\u044f \u0432\u0441\u0435\u0445 \u0444\u0440\u0435\u0439\u043c\u0432\u043e\u0440\u043a\u043e\u0432 <em>Swin<\/em> <em>backbone<\/em> \u0434\u0430\u043b \u0443\u0432\u0435\u0440\u0435\u043d\u043d\u044b\u0435 +3.5-4.2% AP \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e <em>ResNet50<\/em>. \u041e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e <em>ResNe(X)t-\u0430<\/em> <em>Swin<\/em> \u0442\u0430\u043a\u0436\u0435 \u043f\u043e\u043a\u0430\u0437\u0430\u043b \u0440\u043e\u0441\u0442 \u0432 ~3% AP \u0441\u0440\u0430\u0437\u0443 \u0434\u043b\u044f \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u0445 \u0435\u0433\u043e \u0432\u0435\u0440\u0441\u0438\u0439 <em>Swin-T<\/em>, <em>Swin-S<\/em> \u0438 <em>Swin-B<\/em>. <em>DeiT<\/em> \u043f\u0440\u043e\u0438\u0433\u0440\u0430\u043b <em>Swin-\u0443<\/em> \u0447\u0443\u0442\u044c \u043c\u0435\u043d\u044c\u0448\u0435 \u2014 \u043e\u043a\u043e\u043b\u043e 2% AP, \u043d\u043e \u0431\u044b\u043b \u0441\u0438\u043b\u044c\u043d\u043e \u043c\u0435\u0434\u043b\u0435\u043d\u0435\u0435 \u0438\u0437-\u0437\u0430 \u0447\u0435\u0441\u0442\u043d\u043e\u0433\u043e <em>Multi-Head<\/em> <em>Attention-\u0430<\/em> \u043f\u043e \u0432\u0441\u0435\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0435. \u041d\u0443 \u0438 \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0431\u043e\u043b\u044c\u0448\u043e\u0433\u043e \u043d\u0430\u0431\u043e\u0440\u0430 \u0441\u043e\u0442\u043e\u0432\u044b\u0445 \u0434\u0435\u0442\u0435\u043a\u0442\u043e\u0440\u043e\u0432 <em>Swin-L<\/em> \u0441 <em>HTC<\/em> \u043f\u043e\u043a\u0430\u0437\u0430\u043b \u0443\u043b\u0443\u0447\u0448\u0435\u043d\u0438\u0435 \u0432 ~2.6 AP.<\/p>\n<h4>ADE20K \u0441\u0435\u043c\u0430\u043d\u0442\u0438\u0447\u0435\u0441\u043a\u0430\u044f \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u044f<\/h4>\n<p>\u0414\u043b\u044f \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e <em>Swin-\u0430<\/em> \u0431\u044b\u043b \u0432\u044b\u0431\u0440\u0430\u043d \u0444\u0440\u0435\u0439\u043c\u0432\u043e\u0440\u043a <em>UperNet<\/em>, \u043e\u043d \u0441\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u043b\u0441\u044f \u0441 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u043c\u0438 \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u044b\u043c\u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0442\u043e\u0440\u0430\u043c\u0438, \u0430 \u0442\u0430\u043a \u0436\u0435 \u0441 \u043c\u043e\u0434\u0435\u043b\u044c\u044e \u043d\u0430 \u043e\u0441\u043d\u043e\u0432\u0435 <em>DeiT<\/em>. <em>Swin-S<\/em> \u043e\u0431\u043e\u0448\u0435\u043b <em>Deit-S<\/em> \u043d\u0430 \u0446\u0435\u043b\u044b\u0445 5.3 mIoU, \u0430 <em>ResNet-101<\/em> \u0438 <em>ResNeSt<\/em> \u043d\u0430 4.4 \u0438 2.4 mIou \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0435\u043d\u043d\u043e. \u041f\u0440\u0438 \u044d\u0442\u043e\u043c <em>Swin-L<\/em>, \u043f\u0440\u0435\u0434\u043e\u0431\u0443\u0447\u0435\u043d\u043d\u044b\u0439 \u043d\u0430 ImageNet-22k, \u0432\u044b\u0431\u0438\u043b 53.5 mIoU, \u043e\u0431\u043e\u0439\u0434\u044f <em>SETR<\/em> \u043d\u0430 3.2 mIoU.<\/p>\n<h3>\u0418\u0442\u043e\u0433\u0438<\/h3>\n<p>\u0412 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u0435 \u0438\u043c\u0435\u0435\u043c \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0435\u0435: \u0430\u0432\u0442\u043e\u0440\u0430\u043c \u0443\u0434\u0430\u043b\u043e\u0441\u044c \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043f\u0435\u0440\u0435\u0444\u043e\u0440\u043c\u0443\u043b\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u043d\u0443\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443 \u043f\u043e\u0434 \u0437\u0430\u0434\u0430\u0447\u0438 CV, \u0441\u0434\u0435\u043b\u0430\u0432 \u0435\u0451 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0431\u043e\u043b\u0435\u0435 \u043e\u043f\u0442\u0438\u043c\u0430\u043b\u044c\u043d\u043e\u0439 \u0437\u0430 \u0441\u0447\u0451\u0442 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u044f \u043b\u043e\u043a\u0430\u043b\u044c\u043d\u043e\u0433\u043e <em>Attention-\u0430<\/em>. \u041f\u0440\u0438 \u044d\u0442\u043e\u043c <em>Shifted<\/em> <em>Window<\/em> <em>Multi-Head<\/em> <em>Attention<\/em> \u043e\u0441\u0442\u0430\u0432\u0438\u043b \u0440\u0435\u043f\u0440\u0435\u0437\u0435\u043d\u0442\u0430\u0442\u0438\u0432\u043d\u0443\u044e \u0441\u043f\u043e\u0441\u043e\u0431\u043d\u043e\u0441\u0442\u044c \u0441\u0435\u0442\u0438 \u043d\u0430 \u0443\u0440\u043e\u0432\u043d\u0435, \u0434\u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u043e\u043c, \u0447\u0442\u043e\u0431\u044b \u0441\u043e\u0440\u0435\u0432\u043d\u043e\u0432\u0430\u0442\u044c\u0441\u044f \u0441 \u0442\u0435\u043a\u0443\u0449\u0438\u043c\u0438 \u0441\u043e\u0442\u043e\u0432\u044b\u043c\u0438 \u043c\u043e\u0434\u0435\u043b\u044f\u043c\u0438. \u0411\u043b\u0430\u0433\u043e\u0434\u0430\u0440\u044f \u044d\u0442\u043e\u043c\u0443 \u0441\u0442\u0430\u043b\u043e \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u044b\u043c \u043f\u043e\u0441\u0442\u0440\u043e\u0438\u0442\u044c \u0430\u0440\u0445\u0438\u0442\u0435\u0442\u043a\u0443\u0440\u0443, \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u044e\u0449\u0443\u044e \u0438\u0437\u0432\u043b\u0435\u043a\u0430\u0442\u044c \u0438\u0437 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439 \u0444\u0438\u0447\u0438 \u043d\u0430 \u0440\u0430\u0437\u043d\u044b\u0445 \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0445 \u043c\u0430\u0441\u0448\u0442\u0430\u0431\u0430\u0445, \u0447\u0442\u043e \u043f\u043e\u0437\u0432\u043e\u043b\u0438\u043b\u043e \u0443\u0441\u043f\u0435\u0448\u043d\u043e \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c <em>Swin<\/em> \u043a\u0430\u043a <em>backbone<\/em> \u0432 \u0437\u0430\u0434\u0430\u0447\u0430\u0445 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0438 \u0434\u0435\u0442\u0435\u043a\u0446\u0438\u0438, \u0433\u0434\u0435 \u0434\u043e \u044d\u0442\u043e\u0433\u043e \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u044b \u0431\u044b\u043b\u0438 \u043d\u0430 \u0431\u043e\u043b\u0435\u0435 \u043d\u0438\u0437\u043a\u0438\u0445 \u043f\u043e\u0437\u0438\u0446\u0438\u044f\u0445. This is success!<\/p>\n<h3>\u041f\u043e\u043b\u0435\u0437\u043d\u044b\u0435 \u0441\u0441\u044b\u043b\u043a\u0438<\/h3>\n<ul>\n<li>\n<p><a href=\"https:\/\/arxiv.org\/abs\/2103.14030\" rel=\"noopener noreferrer nofollow\">\u00abSwin Transformer: Hierarchical Vision Transformer using Shifted Windows\u00bb<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/arxiv.org\/abs\/2010.11929\" rel=\"noopener noreferrer nofollow\">\u00abAn Image Is Worth 16&#215;16 Words: Transformers for Image Recognition at Scale\u00bb<\/a><\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/github.com\/microsoft\/Swin-Transformer\" rel=\"noopener noreferrer nofollow\">\u0420\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f<\/a> <em>Swin<\/em> <em>Transformer<\/em> \u043d\u0430 <em>PyTorch<\/em><\/p>\n<\/li>\n<li>\n<p><a href=\"https:\/\/lena-voita.github.io\/nlp_course.html#main_page_content\" rel=\"noopener noreferrer nofollow\">NLP Course | For You<\/a> \u2014 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439 \u0440\u0435\u0441\u0443\u0440\u0441 \u043f\u043e NLP, \u0433\u0434\u0435 \u0432 \u0442\u043e\u043c \u0447\u0438\u0441\u043b\u0435 \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u043e \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0435\u0442\u0441\u044f \u043c\u0435\u0445\u0430\u043d\u0438\u0437\u043c <em>Attention<\/em><\/p>\n<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<p> <!----> <!----><br \/> \u0441\u0441\u044b\u043b\u043a\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b \u0441\u0442\u0430\u0442\u044c\u0438 <a href=\"https:\/\/habr.com\/ru\/post\/599057\/\"> https:\/\/habr.com\/ru\/post\/599057\/<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<div><\/div>\n<div id=\"post-content-body\" class=\"article-formatted-body article-formatted-body_version-2\">\n<div xmlns=\"http:\/\/www.w3.org\/1999\/xhtml\">\n<figure class=\"full-width\"><figcaption><\/figcaption><\/figure>\n<p>\u0422\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u044b \u0448\u0430\u0433\u0430\u044e\u0442 \u043f\u043e \u043f\u043b\u0430\u043d\u0435\u0442\u0435! \u0412 \u0441\u0442\u0430\u0442\u044c\u0435 \u0432\u0441\u043f\u043e\u043c\u043d\u0438\u043c\/\u0443\u0437\u043d\u0430\u0435\u043c \u043a\u0430\u043a \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 <em>visual<\/em> <em>attention<\/em>, \u043f\u043e\u0439\u043c\u0451\u043c, \u0447\u0442\u043e \u0441 \u043d\u0438\u043c \u043d\u0435 \u0442\u0430\u043a, \u0430 \u0433\u043b\u0430\u0432\u043d\u043e\u0435 \u043a\u0430\u043a \u0435\u0433\u043e \u043f\u043e\u043f\u0440\u0430\u0432\u0438\u0442\u044c, \u0447\u0442\u043e\u0431\u044b \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043d\u0430 \u0432\u044b\u0445\u043e\u0434\u0435 <em>best<\/em> <em>paper<\/em> <em>ICCV21<\/em>.<\/p>\n<h3>CV-\u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u044b in a nutshell<\/h3>\n<h4>Attention Is All You Need<\/h4>\n<p>\u041d\u0430\u0447\u043d\u0451\u043c \u0438\u0437\u0434\u0430\u043b\u0435\u043a\u0430, \u0430 \u0438\u043c\u0435\u043d\u043d\u043e \u0441 2017 \u0433\u043e\u0434\u0430, \u043a\u043e\u0433\u0434\u0430 A Vaswani et al. \u043e\u043f\u0443\u0431\u043b\u0438\u043a\u043e\u0432\u0430\u043b\u0438 \u0437\u043d\u0430\u043c\u0435\u043d\u0438\u0442\u0443\u044e \u0441\u0442\u0430\u0442\u044c\u044e <a href=\"https:\/\/arxiv.org\/abs\/1706.03762\" rel=\"noopener noreferrer nofollow\">\u00abAttention Is All You Need\u00bb<\/a>, \u0432 \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u0431\u044b\u043b\u0430 \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0435\u043d\u0430 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u043d\u0435\u0439\u0440\u043e\u043d\u043d\u043e\u0439 \u0441\u0435\u0442\u0438 <em>Transformer<\/em> \u0434\u043b\u044f \u0440\u0435\u0448\u0435\u043d\u0438\u044f \u0437\u0430\u0434\u0430\u0447\u0438 <a href=\"https:\/\/lena-voita.github.io\/nlp_course\/seq2seq_and_attention.html\" rel=\"noopener noreferrer nofollow\">seq2seq<\/a> \u0438 \u0432 \u0447\u0430\u0441\u0442\u043d\u043e\u0441\u0442\u0438 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0430. \u041d\u0435 \u0431\u0443\u0434\u0443 \u0433\u043e\u0432\u043e\u0440\u0438\u0442\u044c \u043e \u0442\u043e\u043c, \u043d\u0430\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0437\u043d\u0430\u0447\u0438\u043c\u044b\u043c \u0431\u044b\u043b\u043e \u044d\u0442\u043e \u0441\u043e\u0431\u044b\u0442\u0438\u0435 \u0434\u043b\u044f \u0432\u0441\u0435\u0433\u043e NLP. \u0421\u043a\u0430\u0436\u0443 \u043b\u0438\u0448\u044c, \u0447\u0442\u043e \u043d\u0430 \u0434\u0430\u043d\u043d\u044b\u0439 \u043c\u043e\u043c\u0435\u043d\u0442 \u043f\u043e\u0447\u0442\u0438 \u043a\u0430\u0436\u0434\u043e\u0435 ML \u0440\u0435\u0448\u0435\u043d\u0438\u0435, \u0440\u0430\u0431\u043e\u0442\u0430\u044e\u0449\u0435\u0435 \u0441 \u0442\u0435\u043a\u0441\u0442\u043e\u043c, \u043f\u043e\u0436\u0438\u043d\u0430\u0435\u0442 \u043f\u043b\u043e\u0434\u044b \u0442\u043e\u0433\u043e \u0443\u0441\u043f\u0435\u0445\u0430, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044f <em>Transformer-based<\/em> \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443 \u043d\u0430\u043f\u0440\u044f\u043c\u0443\u044e, \u0440\u0430\u0431\u043e\u0442\u0430\u044f \u0441 \u044d\u043c\u0431\u0435\u0434\u0434\u0438\u043d\u0433\u0430\u043c\u0438 \u0438\u0437 <a href=\"https:\/\/habr.com\/ru\/post\/436878\/\" rel=\"noopener noreferrer nofollow\"><em>BERT-\u0430<\/em><\/a> \u0438\u043b\u0438 \u0435\u0449\u0435 \u043a\u0430\u043a\u0438\u043c-\u043d\u0438\u0431\u0443\u0434\u044c \u043e\u0431\u0440\u0430\u0437\u043e\u043c. \u041a\u043b\u044e\u0447\u0435\u0432\u044b\u043c \u0438 \u0438\u0434\u0435\u0439\u043d\u043e \u0447\u0443\u0442\u044c \u043b\u0438 \u043d\u0435 \u0435\u0434\u0438\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u043c \u043a\u043e\u043c\u043f\u043e\u043d\u0435\u043d\u0442\u043e\u043c \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u0430 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0441\u043b\u043e\u0439 <em>Multi<\/em>&#8212;<em>Head<\/em> <em>Attention<\/em>. \u0412 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0438 \u043a \u0437\u0430\u0434\u0430\u0447\u0435 \u043c\u0430\u0448\u0438\u043d\u043d\u043e\u0433\u043e \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0430 \u043e\u043d \u0434\u0430\u043b \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u044c \u0443\u0447\u0438\u0442\u044b\u0442\u0432\u0430\u0442\u044c \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0435 \u043c\u0435\u0436\u0434\u0443 \u0441\u043b\u043e\u0432\u0430\u043c\u0438, \u043d\u0430\u0445\u043e\u0434\u044f\u0449\u0438\u043c\u0438\u0441\u044f \u043d\u0430 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u043b\u044c\u043d\u043e \u0431\u043e\u043b\u044c\u0448\u043e\u043c \u0440\u0430\u0441\u0441\u0442\u043e\u044f\u043d\u0438\u0438 \u0432 \u0442\u0435\u043a\u0441\u0442\u0435, \u0447\u0442\u043e \u0432\u044b\u0433\u043e\u0434\u043d\u043e \u0432\u044b\u0434\u0435\u043b\u0438\u043b\u043e \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440 \u043d\u0430 \u0444\u043e\u043d\u0435 \u0434\u0440\u0443\u0433\u0438\u0445 \u043c\u043e\u0434\u0435\u043b\u0435\u0439 \u043f\u0435\u0440\u0435\u0432\u043e\u0434\u0430 \u0438 \u043f\u043e\u0437\u0432\u043e\u043b\u0438\u043b\u043e \u0435\u043c\u0443 \u0437\u0430\u043d\u044f\u0442\u044c \u043c\u0435\u0441\u0442\u043e \u043f\u043e\u0434 \u0441\u043e\u043b\u043d\u0446\u0435\u043c. \u0424\u043e\u0440\u043c\u0430\u043b\u044c\u043d\u043e \u044d\u0442\u043e\u0442 \u0441\u043b\u043e\u0439 \u0437\u0430\u043f\u0438\u0441\u044b\u0432\u0430\u0435\u0442\u0441\u044f \u0432 \u0442\u0435\u0440\u043c\u0438\u043d\u0430\u0445 \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0445 \u043f\u0440\u0435\u043e\u0431\u0440\u0430\u0437\u043e\u0432\u0430\u043d\u0438\u0439:<\/p>\n<p>\u0433\u0434\u0435<\/p>\n<p>\u0421 2017 \u0433\u043e\u0434\u0430 \u0431\u044b\u043b\u043e \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0435\u043d\u043e \u0431\u0435\u0441\u0447\u0438\u0441\u043b\u0435\u043d\u043d\u043e\u0435 \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u043e \u043c\u043e\u0434\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0439 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u0430 (<a href=\"https:\/\/arxiv.org\/abs\/2006.04768\" rel=\"noopener noreferrer nofollow\"><em>Linformer<\/em><\/a>, <a href=\"https:\/\/arxiv.org\/abs\/2001.04451\" rel=\"noopener noreferrer nofollow\"><em>Reformer<\/em><\/a>, <a href=\"https:\/\/arxiv.org\/abs\/2009.14794\" rel=\"noopener noreferrer nofollow\"><em>Perfomer<\/em><\/a>, etc.), \u0434\u0435\u043b\u0430\u044e\u0449\u0438\u0445 \u0435\u0433\u043e \u0431\u043e\u043b\u0435\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u044b\u043c, \u0441\u0442\u0430\u0431\u0438\u043b\u0438\u0437\u0438\u0440\u0443\u044e\u0449\u0438\u0445 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0438 \u0442\u0430\u043a \u0434\u0430\u043b\u0435\u0435. \u0422\u0430\u043a\u043e\u0439 \u0431\u0443\u043c \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u043e\u0432 \u043d\u0435 \u043c\u043e\u0433 \u043d\u0435 \u0437\u0430\u0442\u0440\u043e\u043d\u0443\u0442\u044c \u0434\u0440\u0443\u0433\u0438\u0435 \u0441\u0444\u0435\u0440\u044b \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u0433\u043b\u0443\u0431\u0438\u043d\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043f\u043e\u043c\u0438\u043c\u043e NLP, \u0438 \u0441 ~2020 \u0433\u043e\u0434\u0430 \u043e\u043d\u0438 \u043d\u0430\u0447\u0430\u043b\u0438 \u043f\u0440\u043e\u043d\u0438\u043a\u0430\u0442\u044c \u0432 CV.<\/p>\n<h4>\u0422\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u0438\u0437\u0430\u0446\u0438\u044f Computer Vision-\u0430<\/h4>\n<p>\u0412\u043e\u043e\u0431\u0449\u0435 \u0438\u0434\u0435\u044f \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u0430 \u043a \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c \u0438\u0437\u043d\u0430\u0447\u0430\u043b\u044c\u043d\u043e \u043c\u043e\u0436\u0435\u0442 \u0441\u043c\u0443\u0442\u0438\u0442\u044c \u0447\u0438\u0442\u0430\u0442\u0435\u043b\u044f. \u0412\u0441\u0451-\u0442\u0430\u043a\u0438 \u0442\u0435\u043a\u0441\u0442 \u0438 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u2014 \u044d\u0442\u043e \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u043e\u0442\u043b\u0438\u0447\u0430\u044e\u0449\u0438\u0435\u0441\u044f \u043c\u043e\u0434\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u0438, \u043a\u0430\u043a \u043c\u0438\u043d\u0438\u043c\u0443\u043c \u0442\u0435\u043c, \u0447\u0442\u043e \u0442\u0435\u043a\u0441\u0442 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c\u044e \u0441\u043b\u043e\u0432. \u0418\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u2014 \u044d\u0442\u043e \u0442\u043e\u0436\u0435 \u0432 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u043e\u043c \u0441\u043c\u044b\u0441\u043b\u0435 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044c (\u043f\u0438\u043a\u0441\u0435\u043b\u0435\u0439), \u043d\u0430\u043f\u0440\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u043c\u043e\u0436\u043d\u043e \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0438\u0442\u044c \u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432\u0435\u043d\u043d\u043e, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440 <a href=\"https:\/\/openai.com\/blog\/image-gpt\/\" rel=\"noopener noreferrer nofollow\">\u043f\u043e\u0441\u0442\u0440\u043e\u0447\u043d\u043e<\/a>, \u043f\u0440\u0430\u0432\u0434\u0430 \u0443 \u0442\u0430\u043a\u043e\u0433\u043e \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u043d\u0435 \u0431\u0443\u0434\u0435\u0442 \u0441\u0435\u043c\u0430\u043d\u0442\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e \u0441\u043c\u044b\u0441\u043b\u0430 \u0432 \u043e\u0442\u043b\u0438\u0447\u0438\u0435 \u043e\u0442 \u0442\u0435\u043a\u0441\u0442\u0430. \u041e\u0434\u043d\u0430\u043a\u043e \u043d\u0435 \u0441\u0442\u043e\u0438\u0442 \u0437\u0430\u0431\u044b\u0432\u0430\u0442\u044c, \u0447\u0442\u043e <em>Mult<\/em>i-<em>Head<\/em> <em>Attention<\/em> \u043d\u0430 \u0441\u0430\u043c\u043e\u043c \u0434\u0435\u043b\u0435 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0435\u0439 \u043d\u0435 \u043d\u0430\u0434 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0441\u0442\u044f\u043c\u0438, \u0430 \u043d\u0430\u0434 \u043d\u0435\u0443\u043f\u043e\u0440\u044f\u0434\u043e\u0447\u0435\u043d\u043d\u044b\u043c\u0438 \u043c\u043d\u043e\u0436\u0435\u0441\u0442\u0432\u0430\u043c\u0438 \u0432\u0435\u043a\u0442\u043e\u0440\u043e\u0432, \u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u043e\u0439 \u0442\u0435\u043a\u0441\u0442 \u043d\u0430\u0434\u0435\u043b\u044f\u0435\u0442\u0441\u044f \u0438\u0441\u043a\u0443\u0441\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e <a href=\"https:\/\/kazemnejad.com\/blog\/transformer_architecture_positional_encoding\/\" rel=\"noopener noreferrer nofollow\"><em>positional<\/em> <em>encoding-\u0430<\/em><\/a>, \u0442\u0430\u043a \u0447\u0442\u043e \u0430\u0440\u0433\u0443\u043c\u0435\u043d\u0442 \u0432\u044b\u0448\u0435 \u0441\u0442\u0430\u043d\u043e\u0432\u0438\u0442\u0441\u044f \u043d\u0435\u0432\u0430\u043b\u0438\u0434\u043d\u044b\u043c. \u0412\u0430\u043b\u0438\u0434\u043d\u044b\u043c \u0430\u0440\u0433\u0443\u043c\u0435\u043d\u0442\u043e\u043c \u043f\u0440\u043e\u0442\u0438\u0432 <em>Visual<\/em> <em>Transformer-\u043e\u0432<\/em> \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c \u043e\u0442\u0441\u0443\u0442\u0441\u0442\u0432\u0438\u0435 \u0432 \u043d\u0438\u0445 \u043f\u0440\u0438\u044f\u0442\u043d\u044b\u0445 <a href=\"https:\/\/en.wikipedia.org\/wiki\/Inductive_bias\" rel=\"noopener noreferrer nofollow\"><em>inductive<\/em> <em>bias<\/em>&#8212;<em>\u043e\u0432<\/em><\/a>, \u0438\u043c\u0435\u044e\u0449\u0438\u0445\u0441\u044f \u0443 \u0441\u0432\u0451\u0440\u0442\u043e\u0447\u043d\u044b\u0445 \u0441\u0435\u0442\u0435\u0439: \u044d\u043a\u0432\u0438\u0432\u0430\u0440\u0438\u0430\u043d\u0442\u043d\u043e\u0441\u0442\u0438 \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0441\u0434\u0432\u0438\u0433\u043e\u0432 \u0438 \u043f\u0440\u0435\u0434\u043f\u043e\u043b\u043e\u0436\u0435\u043d\u0438\u0438 \u043e \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0439 \u043b\u043e\u043a\u0430\u043b\u044c\u043d\u043e\u0441\u0442\u0438 \u043f\u0440\u0438\u043d\u0437\u043d\u0430\u043a\u043e\u0432. \u041e\u0434\u043d\u0430\u043a\u043e \u044d\u0442\u043e \u0442\u0430\u043a \u0436\u0435 \u0441\u043f\u043e\u0440\u043d\u044b\u0439 \u043c\u043e\u043c\u0435\u043d\u0442, \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043f\u0440\u043e \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043c\u043e\u0436\u043d\u043e \u043f\u043e\u0447\u0438\u0442\u0430\u0442\u044c <a href=\"https:\/\/habr.com\/ru\/post\/591779\/\" rel=\"noopener noreferrer nofollow\">\u0437\u0434\u0435\u0441\u044c<\/a>. \u0410 \u043f\u043e\u043a\u0430 \u0441\u043e\u043c\u043d\u0435\u0432\u0430\u044e\u0449\u0438\u0435\u0441\u044f \u0441\u043e\u043c\u043d\u0435\u0432\u0430\u043b\u0438\u0441\u044c, \u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u0441\u043a\u0438\u0435 \u0433\u0440\u0443\u043f\u043f\u044b \u0434\u0435\u043b\u0430\u043b\u0438, \u0438 \u044f\u0432\u0438\u043b\u0438 \u043c\u0438\u0440\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e <em>Visual<\/em> <em>Transoformer-\u043e\u0432<\/em> (<a href=\"https:\/\/arxiv.org\/abs\/2111.06091\" rel=\"noopener noreferrer nofollow\">\u043d\u0435\u043f\u043b\u043e\u0445\u043e\u0439 survey<\/a>), \u0432 \u0442\u043e\u043c \u0447\u0438\u0441\u043b\u0435 <a href=\"https:\/\/arxiv.org\/abs\/2010.11929\" rel=\"noopener noreferrer nofollow\"><em>ViT<\/em><\/a>, \u043d\u0430 \u043f\u0440\u0438\u043c\u0435\u0440\u0435 \u043a\u043e\u0442\u043e\u0440\u043e\u0433\u043e \u043c\u044b \u0432\u044b\u044f\u0441\u043d\u0438\u043c \u043a\u0430\u043a \u0436\u0435 \u043f\u0435\u0440\u0435\u0444\u043e\u0440\u043c\u0443\u043b\u0438\u0440\u043e\u0432\u0430\u0442\u044c <em>Mult<\/em>i-<em>Head<\/em> <em>Attention <\/em>\u0434\u043b\u044f \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0439.<\/p>\n<h4>An Image Is Worth 16&#215;16 Words<\/h4>\n<p>\u0410\u0432\u0442\u043e\u0440\u044b <em>ViT-<s>\u0438<\/s>\u0430<\/em> \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0438\u043b\u0438 \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u043f\u0440\u044f\u043c\u043e\u043b\u0438\u043d\u0435\u0439\u043d\u0443\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0443:<\/p>\n<figure class=\"full-width\"><figcaption><\/figcaption><\/figure>\n<p>\u0418\u0441\u0445\u043e\u0434\u043d\u0430\u044f \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0430 \u043d\u0430\u0440\u0435\u0437\u0430\u0435\u0442\u0441\u044f \u043d\u0430 \u043f\u0430\u0442\u0447\u0438 16&#215;16, \u043e\u043d\u0438 \u0432\u044b\u0442\u044f\u0433\u0438\u0432\u0430\u044e\u0442\u0441\u044f \u0432 \u0432\u0435\u043a\u0442\u043e\u0440\u0430 \u0438 \u0432\u0441\u0435 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u0430\u044e\u0442\u0441\u044f \u0447\u0435\u0440\u0435\u0437 \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0439 \u0441\u043b\u043e\u0439. \u0414\u0430\u043b\u0435\u0435 \u043a \u043d\u0438\u043c \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u044f\u044e\u0442\u0441\u044f \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u044b\u0435 \u0432\u0435\u043a\u0442\u043e\u0440\u0430, \u0438\u0433\u0440\u0430\u044e\u0449\u0438\u0435 \u0440\u043e\u043b\u044c <em>positional<\/em> <em>embedding-\u043e\u0432<\/em>, \u0430 \u0442\u0430\u043a\u0436\u0435 \u043a \u043d\u0430\u0431\u043e\u0440\u0443 \u0434\u043e\u0431\u0430\u0432\u043b\u0435\u0442\u0441\u044f \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u044b\u0439 \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u044b\u0439 \u044d\u043c\u0431\u0435\u0434\u0434\u0438\u043d\u0433, \u044f\u0432\u043b\u044f\u044e\u0449\u0438\u0439\u0441\u044f \u043f\u0440\u044f\u043c\u044b\u043c \u0430\u043d\u0430\u043b\u043e\u0433\u043e\u043c <em>CLS-\u0442\u043e\u043a\u0435\u043d\u0430<\/em> <em>BERT-\u0430<\/em>. \u0410 \u043d\u0430 \u044d\u0442\u043e\u043c \u0442\u043e \u0438 \u0432\u0441\u0451! \u0414\u0430\u043b\u0435\u0435 \u0438\u0434\u0451\u0442 \u0441\u0430\u043c\u044b\u0439 \u043e\u0431\u044b\u0447\u043d\u044b\u0439 <em>Transformer<\/em> <em>Encoder<\/em> (<em>N<\/em> <em>x<\/em> <em>Mult<\/em>i-<em>Head<\/em> <em>Attention<\/em> \u0435\u0441\u043b\u0438 \u0443\u0433\u043e\u0434\u043d\u043e), \u0438 \u043a\u043b\u0430\u0441\u0441 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442\u0441\u044f \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u043c \u043f\u0435\u0440\u0446\u0435\u043f\u0442\u0440\u043e\u043d\u043e\u043c, \u0431\u0435\u0440\u0443\u0449\u0438\u043c \u043d\u0430 \u0432\u0445\u043e\u0434 \u0442\u043e, \u0447\u0442\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c \u043d\u0430 \u043c\u0435\u0441\u0442\u0435 <em>CLS-\u0442\u043e\u043a\u0435\u043d\u0430<\/em>. \u041a\u0430\u043a \u0438 ~\u043b\u044e\u0431\u043e\u0439 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440, \u043c\u043e\u0434\u0435\u043b\u044c \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0430\u0441\u044c \u043e\u0447\u0435\u043d\u044c \u043f\u0440\u043e\u0436\u043e\u0440\u043b\u0438\u0432\u043e\u0439 \u0432 \u0442\u043e\u043c \u0441\u043c\u044b\u0441\u043b\u0435, \u0447\u0442\u043e \u0434\u043b\u044f \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u043e\u043a\u043e\u043b\u043e\u0441\u043e\u0442\u043e\u0432\u044b\u0445 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u043e\u0432 \u0435\u0439 \u043d\u0443\u0436\u043d\u043e \u043f\u0440\u0435\u0434\u043e\u0431\u0443\u0447\u0430\u0442\u044c\u0441\u044f \u043d\u0430 \u0433\u0440\u043e\u043c\u0430\u0434\u043d\u044b\u0445 \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0430\u0445, \u0442\u0430\u043a\u0438\u0445 \u043a\u0430\u043a \u0437\u0430\u043a\u0440\u044b\u0442\u044b\u0439 \u0433\u0443\u0433\u043b\u043e\u0432\u0441\u043a\u0438\u0439 <a href=\"https:\/\/paperswithcode.com\/dataset\/jft-300m\" rel=\"noopener noreferrer nofollow\"><em>JFT-300M<\/em><\/a>. \u0422\u0435\u043c \u043d\u0435 \u043c\u0435\u043d\u0435\u0435 \u0432 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0451\u043d\u043d\u043e\u043c \u0441\u0435\u0442\u0430\u043f\u0435 \u0441\u0435\u0442\u043a\u0430 \u0441\u043c\u043e\u0433\u043b\u0430 \u043e\u0431\u043e\u0439\u0442\u0438 \u0441\u043e\u0442\u043e\u0432\u044b\u0445 <a href=\"https:\/\/arxiv.org\/abs\/1912.11370\" rel=\"noopener noreferrer nofollow\"><em>BiT-L<\/em><\/a> \u0438 <a href=\"https:\/\/arxiv.org\/abs\/1911.04252\" rel=\"noopener noreferrer nofollow\"><em>Noisy Student-\u0430<\/em><\/a>, \u0447\u0442\u043e \u043c\u043e\u0436\u043d\u043e \u0441\u0447\u0438\u0442\u0430\u0442\u044c \u0443\u0441\u043f\u0435\u0445\u043e\u043c. \u0417\u0430 \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u043e\u0441\u0442\u044f\u043c \u043e\u0442\u0441\u044b\u043b\u0430\u044e \u0447\u0438\u0442\u0430\u0442\u0435\u043b\u044f \u043a <a href=\"https:\/\/arxiv.org\/abs\/2010.11929\" rel=\"noopener noreferrer nofollow\">\u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b\u044c\u043d\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435<\/a>, \u043c\u043d\u043e\u0433\u043e \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u043d\u043e\u0433\u043e \u043c\u043e\u0436\u043d\u043e \u043d\u0430\u0439\u0442\u0438 \u0432 <em>ablation-\u0435<\/em>, \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e \u0441\u043e\u0432\u0435\u0442\u0443\u044e \u0438\u0437\u0443\u0447\u0438\u0442\u044c \u0433\u0440\u0430\u0444\u0438\u043a\u0438 <em>Mean<\/em> <em>Attention<\/em> <em>Distance-\u0430<\/em>, \u044f\u0432\u043b\u044f\u044e\u0449\u0438\u043c\u0441\u044f \u0430\u043d\u0430\u043b\u043e\u0433\u043e\u043c <em>receptive<\/em> <em>field-\u0430<\/em>.<\/p>\n<p>\u0412\u0441\u0451 \u0432\u0440\u043e\u0434\u0435 \u0438 \u043d\u0435\u043f\u043b\u043e\u0445\u043e, \u043d\u043e \u043d\u0435 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0435\u0439 \u0435\u0434\u0438\u043d\u043e\u0439 \u0437\u0430\u043d\u0438\u043c\u0430\u044e\u0442\u0441\u044f \u0432 CV. \u0415\u0441\u0442\u044c \u0437\u0430\u0434\u0430\u0447\u0438 \u043f\u043e \u0442\u0438\u043f\u0443 <em>Object<\/em> <em>Detection-\u0430<\/em>, \u0432 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0437\u0430\u0447\u0430\u0441\u0442\u0443\u044e \u0432\u0430\u0436\u043d\u044b \u043c\u0435\u043b\u043a\u0438\u0435 \u0434\u0435\u0442\u0430\u043b\u0438, \u0438\u043b\u0438 \u0436\u0435 \u0437\u0430\u0434\u0430\u0447\u0438 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438, \u0434\u043b\u044f \u043a\u043e\u0442\u043e\u0440\u043e\u0439 \u0432\u043e\u043e\u0431\u0449\u0435 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0434\u0435\u043b\u0430\u0442\u044c <em>pixel-level<\/em> \u043f\u0440\u0435\u0434\u0441\u043a\u0430\u0437\u0430\u043d\u0438\u0435. \u0412\u0441\u0435 \u044d\u0442\u043e \u0442\u0440\u0435\u0431\u0443\u0435\u0442 \u043a\u0430\u043a \u043c\u0438\u043d\u0438\u043c\u0443\u043c \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u0438 \u0440\u0430\u0431\u043e\u0442\u044b \u0441 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f\u043c\u0438 \u0432\u044b\u0441\u043e\u043a\u043e\u0433\u043e \u0440\u0430\u0437\u0440\u0435\u0448\u0435\u043d\u0438\u044f, \u0442\u043e \u0435\u0441\u0442\u044c \u0437\u043d\u0430\u0447\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0433\u043e \u0443\u0432\u0435\u043b\u0438\u0447\u0435\u043d\u0438\u044f \u0440\u0430\u0437\u043c\u0435\u0440\u0430 \u0432\u0445\u043e\u0434\u0430. \u0410 \u043a\u0430\u043a \u043d\u0435\u0442\u0440\u0443\u0434\u043d\u043e \u0432\u0438\u0434\u0435\u0442\u044c, <em>Attention<\/em> \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u0437\u0430 \u043a\u0432\u0430\u0434\u0440\u0430\u0442\u0438\u0447\u043d\u043e\u0435 \u043f\u043e \u0432\u0445\u043e\u0434\u0443 \u0432\u0440\u0435\u043c\u044f, \u0447\u0442\u043e \u0432 \u0441\u043b\u0443\u0447\u0430\u0435 \u043a\u0430\u0440\u0442\u0438\u043d\u043e\u043a 1920\u04451920 \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043e\u0441\u0442\u0440\u0435\u0439\u0448\u0435\u0439 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u043e\u0439, \u0442\u0430\u043a \u043a\u0430\u043a \u0432\u0440\u0435\u043c\u044f <em>forward<\/em> <em>pass-\u0430<\/em> \u0432\u0437\u043c\u044b\u0432\u0430\u0435\u0442 \u0434\u043e \u043d\u0435\u0431\u0435\u0441. \u041a \u0442\u043e\u043c\u0443 \u0436\u0435 \u043c\u0435\u043b\u043a\u0438\u0435 \u0434\u0435\u0442\u0430\u043b\u0438 \u043c\u043e\u0433\u0443 \u043f\u043e\u0442\u0435\u0440\u044f\u0442\u044c\u0441\u044f \u0443\u0436\u0435 \u043d\u0430 \u043f\u0435\u0440\u0432\u043e\u043c \u0441\u043b\u043e\u0435, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0441\u0443\u0442\u044c \u0441\u0432\u0451\u0440\u0442\u043a\u0430 16\u044516 \u0441\u043e \u0441\u0442\u0440\u0430\u0439\u0434\u043e\u043c 16. \u041a\u0442\u043e \u0432\u0438\u043d\u043e\u0432\u0430\u0442 \u0438 \u0447\u0442\u043e \u0434\u0435\u043b\u0430\u0442\u044c? \u041d\u0430 \u043f\u0435\u0440\u0432\u044b\u0439 \u0432\u043e\u043f\u0440\u043e\u0441 \u043e\u0442\u0432\u0435\u0442 +- \u043f\u043e\u043d\u044f\u0442\u0435\u043d \u2014 \u0434\u0435\u043b\u043e \u0432 \u0441\u043b\u0438\u0448\u043a\u043e\u043c \u0442\u0432\u0435\u0440\u0434\u043e\u043b\u043e\u0431\u043e\u0439 \u0430\u0434\u0430\u043f\u0442\u0430\u0446\u0438\u0438 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u043d\u043e\u0439 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b \u043f\u043e\u0434 CV. \u0410 \u043e\u0442\u0432\u0435\u0442\u0443 \u043d\u0430 \u0432\u0442\u043e\u0440\u043e\u0439 \u0432\u043e\u043f\u0440\u043e\u0441 \u043f\u043e\u0441\u0432\u044f\u0449\u0430\u0435\u0442\u0441\u044f \u043e\u0441\u0442\u0430\u0432\u0448\u0430\u044f\u0441\u044f \u0447\u0430\u0441\u0442\u044c \u044d\u0442\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0438.<\/p>\n<h3>Swin Transformer<\/h3>\n<p>\u041f\u0440\u043e\u0431\u043b\u0435\u043c\u044b <em>ViT-\u0430<\/em> \u043e\u0431\u043e\u0437\u043d\u0430\u0447\u0438\u043b\u0438\u0441\u044c \u0435\u0449\u0451 \u0432 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u043c \u043f\u0430\u0440\u0430\u0433\u0440\u0430\u0444\u0435, \u043f\u043e\u044d\u0442\u043e\u043c\u0443 \u043d\u0435 \u0431\u0443\u0434\u0435\u043c \u0445\u043e\u0434\u0438\u0442\u044c \u0432\u043e\u043a\u0440\u0443\u0433 \u0434\u0430 \u043e\u043a\u043e\u043b\u043e \u0438 \u0441\u0440\u0430\u0437\u0443 \u043f\u0435\u0440\u0435\u0439\u0434\u0435\u043c \u043a \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0435\u043d\u0438\u044e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b, \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0435\u043d\u043d\u043e\u0439 \u0432 \u0441\u0442\u0430\u0442\u044c\u0435 <a href=\"https:\/\/arxiv.org\/abs\/2103.14030\" rel=\"noopener noreferrer nofollow\">\u00abSwin Transformer: Hierarchical Vision Transformer using Shifted Windows\u00bb<\/a>:<\/p>\n<figure class=\"full-width\"><figcaption><\/figcaption><\/figure>\n<p>\u041f\u0435\u0440\u0432\u044b\u0439 \u0441\u043b\u043e\u0439 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u043e \u0442\u0430\u043a\u043e\u0439 \u0436\u0435, \u043a\u0430\u043a \u0438 \u0432 <em>ViT-\u0435<\/em> \u2014 \u0438\u0441\u0445\u043e\u0434\u043d\u0430\u044f \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0430 \u043d\u0430\u0440\u0435\u0437\u0430\u0435\u0442\u0441\u044f \u043d\u0430 \u043f\u0430\u0442\u0447\u0438 \u0438 \u043f\u0440\u043e\u0435\u0446\u0438\u0440\u0443\u0435\u0442\u0441\u044f \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u043c \u0441\u043b\u043e\u0435\u043c. \u0415\u0434\u0438\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u0435 \u043e\u0442\u043b\u0438\u0447\u0438\u0435 \u0432 \u0442\u043e\u043c, \u0447\u0442\u043e \u0432 <em>Swin-\u0435<\/em> \u043d\u0430 \u043f\u0435\u0440\u0432\u043e\u043c \u0441\u043b\u043e\u0435 \u043f\u0430\u0442\u0447\u0438 \u0438\u043c\u0435\u044e\u0442 \u0440\u0430\u0437\u043c\u0435\u0440 4\u04454, \u0447\u0442\u043e \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u043e\u0431\u0440\u0430\u0431\u0430\u0442\u044b\u0432\u0430\u0442\u044c \u0431\u043e\u043b\u0435\u0435 \u043c\u0435\u043b\u043a\u0438\u0439 \u043a\u043e\u043d\u0442\u0435\u043a\u0441\u0442. \u0414\u0430\u043b\u0435\u0435 \u0438\u0434\u0443\u0442 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e <em>Patch<\/em> <em>Merging<\/em> \u0438 <em>Swin<\/em> <em>Transformer<\/em> <em>Block<\/em> \u0441\u043b\u043e\u0451\u0432. <em>Patch<\/em> <em>Merging<\/em> \u0437\u0430\u043d\u0438\u043c\u0430\u0435\u0442\u0441\u044f \u0442\u0435\u043c, \u0447\u0442\u043e \u043a\u043e\u043d\u043a\u0430\u0442\u0435\u043d\u0438\u0440\u0443\u0435\u0442 \u0444\u0438\u0447\u0438 \u0441\u043e\u0441\u0435\u0434\u043d\u0438\u0445 (\u0432 \u043e\u043a\u043d\u0435 2\u04452) \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u0438 \u043f\u043e\u043d\u0438\u0436\u0430\u0435\u0442 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c, \u043f\u043e\u043b\u0443\u0447\u0430\u044f \u0431\u043e\u043b\u0435\u0435 \u0432\u044b\u0441\u043e\u043a\u043e\u0443\u0440\u043e\u0432\u043d\u0435\u0432\u043e\u0435 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u0435. \u0422\u0430\u043a\u0438\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c, \u043f\u043e\u0441\u043b\u0435 \u043a\u0430\u0436\u0434\u043e\u0433\u043e <em>Stage-\u0430<\/em> \u043e\u0431\u0440\u0430\u0437\u0443\u044e\u0442\u0441\u044f \u00ab\u043a\u0430\u0440\u0442\u044b\u00bb \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u043e\u0432, \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0449\u0438\u0435 \u0438\u043d\u0444\u043e\u0440\u043c\u0430\u0446\u0438\u044e \u043d\u0430 \u0440\u0430\u0437\u043d\u044b\u0445 \u043f\u0440\u043e\u0441\u0442\u0440\u0430\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0445 \u043c\u0430\u0441\u0448\u0442\u0430\u0431\u0430\u0445, \u0447\u0442\u043e \u043a\u0430\u043a \u0440\u0430\u0437 \u0438 \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u0435\u0442 \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0438\u0435\u0440\u0430\u0440\u0445\u0438\u0447\u0435\u0441\u043a\u043e\u0435 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f, \u043f\u043e\u043b\u0435\u0437\u043d\u043e\u0435 \u0434\u043b\u044f \u0434\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u0439 \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438\/<em>Object<\/em> <em>Detection-\u0430<\/em>\/etc:<\/p>\n<figure class=\"full-width\"><figcaption><\/figcaption><\/figure>\n<p>\u0411\u043b\u0430\u0433\u043e\u0434\u0430\u0440\u044f \u044d\u0442\u043e\u043c\u0443 <em>Swin<\/em> <em>Transfomer<\/em> \u043c\u043e\u0436\u0435\u0442 \u0441\u043b\u0443\u0436\u0438\u0442\u044c \u0443\u043d\u0438\u0432\u0435\u0440\u0441\u0430\u043b\u044c\u043d\u044b\u043c <em>backbone-\u043e\u043c<\/em> \u0434\u043b\u044f \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0445 \u0437\u0430\u0434\u0430\u0447 CV.<\/p>\n<p><em>Swin<\/em> <em>Transformer<\/em> <em>Block<\/em> \u2014 \u043a\u043b\u044e\u0447\u0435\u0432\u0430\u044f \u0438\u0437\u044e\u043c\u0438\u043d\u043a\u0430 \u0432\u0441\u0435\u0439 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u044b:<\/p>\n<figure class=\"full-width\"><figcaption><\/figcaption><\/figure>\n<p>\u041a\u0430\u043a \u0432\u0438\u0434\u043d\u043e \u0438\u0437 \u0441\u0445\u0435\u043c\u044b, \u0434\u0432\u0430 \u043f\u043e\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u0442\u0435\u043b\u044c\u043d\u044b\u0445 \u0431\u043b\u043e\u043a\u0430 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u044e\u0442 \u0441\u043e\u0431\u043e\u0439 \u0434\u0432\u0430 \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u043d\u044b\u0445 \u0431\u043b\u043e\u043a\u0430 \u0441 <em>MLP<\/em>, <a href=\"https:\/\/arxiv.org\/abs\/1607.06450\" rel=\"noopener noreferrer nofollow\"><em>LayerNorm-\u0430\u043c\u0438<\/em><\/a> \u0438 <a href=\"https:\/\/towardsdatascience.com\/resnet-with-identity-mapping-over-1000-layers-reached-image-classification-bb50a42af03e\" rel=\"noopener noreferrer nofollow\"><em>Pre-Activation<\/em> <em>Residual-\u0430\u043c\u0438<\/em><\/a>, \u043e\u0434\u043d\u0430\u043a\u043e <em>Attention<\/em> \u0437\u0430\u043c\u0435\u043d\u0451\u043d \u043d\u0430 \u043d\u0435\u0447\u0442\u043e \u0431\u043e\u043b\u0435\u0435 \u0445\u0438\u0442\u0440\u043e\u0435, \u043a \u0440\u0430\u0437\u0431\u043e\u0440\u0443 \u0447\u0435\u0433\u043e \u043c\u044b \u043d\u0435\u043f\u0440\u0435\u043c\u0435\u043d\u043d\u043e \u043f\u0435\u0440\u0435\u0445\u043e\u0434\u0438\u043c.<\/p>\n<h4>(Shifted) Window Multi-Head Attention<\/h4>\n<p>\u041a\u0430\u043a \u0431\u044b\u043b\u043e \u0443\u043f\u043e\u043c\u044f\u043d\u0443\u0442\u043e, \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u043e\u0439 <em>Multi-Head<\/em> <em>Attention-\u0430<\/em> \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0435\u0433\u043e \u043a\u0432\u0430\u0434\u0440\u0430\u0442\u0438\u0447\u043d\u0430\u044f \u0441\u043b\u043e\u0436\u043d\u043e\u0441\u0442\u044c, \u0431\u043e\u043b\u044c\u043d\u043e \u0441\u0442\u0440\u0435\u043b\u044f\u044e\u0449\u0430\u044f \u0432 \u043d\u043e\u0433\u0443 \u043f\u0440\u0438 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0438 \u043d\u0430 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0430\u0445 \u0432\u044b\u0441\u043e\u043a\u043e\u0433\u043e \u0440\u0430\u0437\u0440\u0435\u0448\u0435\u043d\u0438\u044f. \u041d\u0430 \u0443\u043c \u043f\u0440\u0438\u0445\u043e\u0434\u0438\u0442 \u0434\u043e\u0432\u043e\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0441\u0442\u043e\u0435 \u0440\u0435\u0448\u0435\u043d\u0438\u0435, \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u043d\u043e\u0435 \u0435\u0449\u0435 \u0432 \u0441\u0442\u0430\u0442\u044c\u0435 \u043f\u0440\u043e <a href=\"https:\/\/arxiv.org\/abs\/2004.05150\" rel=\"noopener noreferrer nofollow\"><em>Longformer<\/em><\/a> \u2014 \u0434\u0430\u0432\u0430\u0439\u0442\u0435 \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0442\u043e\u043a\u0435\u043d\u0430 \u0441\u0447\u0438\u0442\u0430\u0442\u044c <em>Attention<\/em> \u043d\u0435 \u0441\u043e \u0432\u0441\u0435\u043c\u0438 \u0434\u0440\u0443\u0433\u0438\u043c\u0438 \u0442\u043e\u043a\u0435\u043d\u0430\u043c\u0438, \u0430 \u0442\u043e\u043b\u044c\u043a\u043e \u0441 \u043d\u0430\u0445\u043e\u0434\u044f\u0449\u0438\u043c\u0438\u0441\u044f \u0432 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u043e\u043c \u043e\u043a\u043d\u0435 \u0444\u0438\u043a\u0441\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e\u0433\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u0430 (<em>Window<\/em> <em>Mutli-Head<\/em> <em>Attention<\/em>). \u0415\u0441\u043b\u0438 \u0440\u0430\u0437\u043c\u0435\u0440\u043d\u043e\u0441\u0442\u044c \u0442\u043e\u043a\u0435\u043d\u043e\u0432 \u2014 <em>C<\/em>, \u0430 \u0440\u0430\u0437\u043c\u0435\u0440 \u043e\u043a\u043d\u0430 \u2014 <em>MxM<\/em>, \u0442\u043e \u0441\u043b\u043e\u0436\u043d\u043e\u0441\u0442\u0438 \u0434\u043b\u044f <em>(Window)<\/em> <em>Multi-Head<\/em> <em>Self<\/em> <em>Attention-\u043e\u0432<\/em> \u043f\u043e\u043b\u0443\u0447\u0430\u044e\u0442\u0441\u044f \u0441\u043b\u0435\u0434\u0443\u044e\u0449\u0438\u0435:<\/p>\n<p>\u0422\u043e \u0435\u0441\u0442\u044c <em>Attention<\/em> \u0442\u0435\u043f\u0435\u0440\u044c \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u0437\u0430 \u043b\u0438\u043d\u0435\u0439\u043d\u043e\u0435 \u043f\u043e <em>hw<\/em> \u0432\u0440\u0435\u043c\u044f! \u041e\u0434\u043d\u0430\u043a\u043e \u0442\u0430\u043a\u043e\u0439 \u043f\u043e\u0434\u0445\u043e\u0434 \u0443\u043c\u0435\u043d\u044c\u0448\u0430\u0435\u0442 \u043e\u0431\u0449\u0443\u044e \u0440\u0435\u043f\u0440\u0435\u0437\u0435\u043d\u0442\u0430\u0442\u0438\u0432\u043d\u0443\u044e \u0441\u043f\u043e\u0441\u043e\u0431\u043d\u043e\u0441\u0442\u044c \u0441\u0435\u0442\u0438, \u0442\u0430\u043a \u043a\u0430\u043a \u0442\u043e\u043a\u0435\u043d\u044b \u0438\u0437 \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0445 \u043e\u043a\u043e\u043d \u043d\u0438\u043a\u0430\u043a \u043d\u0435 \u0431\u0443\u0434\u0443\u0442 \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u043e\u0432\u0430\u0442\u044c. \u0427\u0442\u043e\u0431\u044b \u0438\u0441\u043f\u0440\u0430\u0432\u0438\u0442\u044c \u0441\u0438\u0442\u0443\u0430\u0446\u0438\u044e, \u0430\u0432\u0442\u043e\u0440\u044b \u043f\u043e\u0441\u0442\u0443\u043f\u0438\u043b\u0438 \u043b\u044e\u0431\u043e\u043f\u044b\u0442\u043d\u044b\u043c \u043e\u0431\u0440\u0430\u0437\u043e\u043c. \u041f\u043e\u0441\u043b\u0435 \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0431\u043b\u043e\u043a\u0430 \u0441 <em>Window<\/em> <em>Multi-Head<\/em> <em>Attention-\u043e\u043c<\/em> \u043e\u043d\u0438 \u043f\u043e\u0441\u0442\u0430\u0432\u0438\u043b\u0438 \u0430\u043d\u0430\u043b\u043e\u0433\u0438\u0447\u043d\u044b\u0439 \u0441\u043b\u043e\u0439, \u0441\u043e \u0441\u043c\u0435\u0449\u0451\u043d\u043d\u044b\u043c\u0438 \u043f\u043e \u0434\u0438\u0430\u0433\u043e\u043d\u0430\u043b\u0438 \u043e\u043a\u043d\u0430\u043c\u0438 <em>Attention-\u0430<\/em>:<\/p>\n<figure class=\"full-width\"><figcaption><\/figcaption><\/figure>\n<p>\u042d\u0442\u043e \u0432\u0435\u0440\u043d\u0443\u043b\u043e \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0435 \u043c\u0435\u0436\u0434\u0443 \u0442\u043e\u043a\u0435\u043d\u0430\u043c\u0438, \u043e\u0441\u0442\u0430\u0432\u0438\u0432 \u043f\u0440\u0438 \u044d\u0442\u043e\u043c \u043b\u0438\u043d\u0435\u0439\u043d\u0443\u044e \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u0443\u044e \u0441\u043b\u043e\u0436\u043d\u043e\u0441\u0442\u044c.<\/p>\n<p>\u041a\u0430\u043a \u043f\u0440\u043e\u0438\u043b\u043b\u044e\u0441\u0442\u0440\u0438\u0440\u043e\u0432\u0430\u043d\u043e \u0432\u044b\u0448\u0435, \u0441\u0434\u0432\u0438\u0433 \u043e\u043a\u043e\u043d <em>Attention-\u0430<\/em> \u0443\u0432\u0435\u043b\u0438\u0447\u0438\u0432\u0430\u0435\u0442 \u0438\u0445 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e. \u042d\u0442\u043e \u0437\u043d\u0430\u0447\u0438\u0442, \u0447\u0442\u043e \u0440\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u044d\u0442\u043e\u0433\u043e \u0441\u043b\u043e\u044f \u0441 \u043d\u0430\u0438\u0432\u043d\u044b\u043c \u043f\u0430\u0434\u0434\u0438\u043d\u0433\u043e\u043c \u0438\u0441\u0445\u043e\u0434\u043d\u043e\u0439 \u00ab\u043a\u0430\u0440\u0442\u044b\u00bb \u043f\u0440\u0438\u0437\u043d\u0430\u043a\u043e\u0432 \u043d\u0443\u043b\u044f\u043c\u0438 \u043e\u0431\u044f\u0436\u0435\u0442 \u0441\u0447\u0438\u0442\u0430\u0442\u044c \u0431\u043e\u043b\u044c\u0448\u0435 <em>Attention-\u043e\u0432<\/em> (9 \u0432\u043c\u0435\u0441\u0442\u043e 4 \u0432 \u043f\u0440\u0438\u043c\u0435\u0440\u0435), \u0447\u0435\u043c \u043c\u044b \u043f\u043e\u0441\u0447\u0438\u0442\u0430\u043b\u0438 \u0431\u044b \u0431\u0435\u0437 \u0441\u0434\u0432\u0438\u0433\u0430. \u0427\u0442\u043e\u0431\u044b \u043d\u0435 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u044c \u043b\u0438\u0448\u043d\u0438\u0445 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439, \u0430\u0432\u0442\u043e\u0440\u044b \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0438\u043b\u0438 \u043f\u0435\u0440\u0435\u0434 \u043f\u043e\u0434\u0441\u0447\u0451\u0442\u043e\u043c \u0446\u0438\u043a\u043b\u0438\u0447\u0435\u0441\u043a\u0438 \u0441\u0434\u0432\u0438\u0433\u0430\u0442\u044c \u0441\u0430\u043c\u043e \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u0438 \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u0442\u044c \u0443\u0436\u0435 \u043c\u0430\u0441\u043a\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0439 <em>Attention<\/em>, \u0447\u0442\u043e\u0431\u044b \u0438\u0441\u043a\u043b\u044e\u0447\u0438\u0442\u044c \u0432\u0437\u0430\u0438\u043c\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0435 \u043d\u0435 \u0441\u043e\u0441\u0435\u0434\u043d\u0438\u0445 \u0442\u043e\u043a\u0435\u043d\u043e\u0432. \u0422\u0430\u043a\u043e\u0439 \u043f\u043e\u0434\u0445\u043e\u0434 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u044d\u0444\u0444\u0435\u043a\u0442\u0438\u0432\u043d\u0435\u0435 \u043d\u0430\u0438\u0432\u043d\u043e\u0433\u043e, \u0442\u0430\u043a \u043a\u0430\u043a \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0441\u0447\u0438\u0442\u0430\u0435\u043c\u044b\u0445 <em>Attention-\u043e\u0432<\/em> \u043d\u0435 \u0443\u0432\u0435\u043b\u0438\u0447\u0438\u0432\u0430\u0435\u0442\u0441\u044f:<\/p>\n<figure class=\"full-width\"><figcaption><\/figcaption><\/figure>\n<p>\u0422\u0430\u043a\u0436\u0435 \u0432 <em>Swin-\u0435<\/em> \u0430\u0432\u0442\u043e\u0440\u044b \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043b\u0438 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0434\u0440\u0443\u0433\u0438\u0435 <em>positional<\/em> <em>embedding-\u0438<\/em>. \u0418\u0445 \u0437\u0430\u043c\u0435\u043d\u0438\u043b\u0438 \u043d\u0430 \u043e\u0431\u0443\u0447\u0430\u0435\u043c\u0443\u044e \u043c\u0430\u0442\u0440\u0438\u0446\u0443 <em>\u0412<\/em>, \u043d\u0430\u0437\u044b\u0432\u0430\u0435\u043c\u0443\u044e <em>relative<\/em> <em>position<\/em> <em>bias<\/em>, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u043f\u0440\u0438\u0431\u0430\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u043a \u043f\u0440\u043e\u0438\u0437\u0432\u0435\u0434\u0435\u043d\u0438\u044e <em>query<\/em> \u0438 <em>key<\/em> \u043f\u043e\u0434 \u0441\u043e\u0444\u0442\u043c\u0430\u043a\u0441\u043e\u043c:<\/p>\n<p>\u041a\u0430\u043a \u043e\u043a\u0430\u0437\u0430\u043b\u043e\u0441\u044c, \u0442\u0430\u043a\u043e\u0439 \u043f\u043e\u0434\u043e\u0434 \u043f\u0440\u0438\u0432\u043e\u0434\u0438\u0442 \u043a \u043b\u0443\u0447\u0448\u0435\u043c\u0443 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0443.<\/p>\n<h3>\u042d\u043a\u0441\u043f\u0435\u0440\u0438\u043c\u0435\u043d\u0442\u044b \u0438 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b<\/h3>\n<p>\u0412\u0441\u0435\u0433\u043e \u0430\u0432\u0442\u043e\u0440\u044b \u043f\u0440\u0435\u0434\u043b\u043e\u0436\u0438\u043b\u0438 4 \u043c\u043e\u0434\u0435\u043b\u0438 \u0440\u0430\u0437\u043d\u044b\u0445 \u0440\u0430\u0437\u043c\u0435\u0440\u043e\u0432:<\/p>\n<figure class=\"full-width\"><figcaption><\/figcaption><\/figure>\n<p>\u0414\u043b\u044f \u0447\u0435\u0441\u0442\u043d\u043e\u0433\u043e \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u044f \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b \u0431\u044b\u043b\u0438 \u043f\u043e\u0434\u043e\u0431\u0440\u0430\u043d\u044b \u0442\u0430\u043a, \u0447\u0442\u043e\u0431\u044b \u043f\u043e \u0440\u0430\u0437\u043c\u0435\u0440\u0430\u043c \u0438 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0443 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439 <em>Swin-B<\/em> \u043f\u0440\u0438\u043c\u0435\u0440\u043d\u043e \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u043e\u0432\u0430\u043b <em>ViT-B\/DeiT-B<\/em>, \u0430 <em>Swin-T<\/em> \u0438 <em>Swin-S<\/em> <em>ResNet-50<\/em> \u0438 <em>ResNet-101<\/em> \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0435\u043d\u043d\u043e.<\/p>\n<h4>ImageNet-1k \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u044f<\/h4>\n<p>\u0412 \u0434\u0430\u043d\u043d\u043e\u043c \u0431\u0435\u043d\u0447\u043c\u0430\u0440\u043a\u0435 \u0431\u044b\u043b\u0438 \u043f\u0440\u043e\u0432\u0435\u0440\u0435\u043d\u044b \u0434\u0432\u0430 \u0441\u0435\u0442\u0430\u043f\u0430: \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043d\u0430 ImageNet-1k \u0438 \u043f\u0440\u0435\u0434\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043d\u0430 ImageNet-22K \u0441 \u0434\u043e\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435\u043c \u043d\u0430 ImageNet-1K. \u041c\u043e\u0434\u0435\u043b\u0438 \u0441\u0440\u0430\u0432\u043d\u0438\u0432\u0430\u043b\u0438\u0441\u044c \u043f\u043e top-1 accuracy.<\/p>\n<p>\u0412 \u043f\u0435\u0440\u0432\u043e\u0439 \u043f\u043e\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0435 <em>Swin-\u044b<\/em> \u0431\u043e\u043b\u0435\u0435 \u0447\u0435\u043c \u043d\u0430 1.5% \u043e\u0431\u043e\u0448\u043b\u0438 \u0434\u0440\u0443\u0433\u0438\u0435 <em>Visual<\/em> <em>Transformer-\u044b<\/em>, \u0432 \u0442\u043e\u043c \u0447\u0438\u0441\u043b\u0435 <em>ViT-\u044b<\/em>, \u043e\u0442\u0441\u0442\u0430\u044e\u0449\u0438\u0435 \u043e\u0442 \u043f\u0435\u0440\u0432\u044b\u0445 \u043d\u0430 \u0446\u0435\u043b\u044b\u0445 4%. \u0421\u043e\u0442\u043e\u0432\u044b\u0435 \u0436\u0435 <em>EfficienetNet-\u044b<\/em> \u0438 <em>RegNet-\u044b<\/em> \u043e\u043a\u0430\u0437\u0430\u043b\u0438\u0441\u044c \u0441\u043e\u043f\u0435\u0440\u043d\u0438\u043a\u043e\u043c \u043f\u043e\u0441\u0435\u0440\u044c\u0451\u0437\u043d\u0435\u0435 \u2014 \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u0447\u0435\u0441\u043a\u0438 \u0437\u043d\u0430\u0447\u0438\u043c\u043e \u0442\u0443\u0442 \u043c\u043e\u0436\u043d\u043e \u0433\u043e\u0432\u043e\u0440\u0438\u0442\u044c \u0440\u0430\u0437\u0432\u0435 \u0447\u0442\u043e \u043e\u0431 \u0443\u043b\u0443\u0447\u0448\u0435\u043d\u0438\u0438 \u0431\u0430\u043b\u0430\u043d\u0441\u0430 \u043c\u0435\u0436\u0434\u0443 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u044c\u044e \u0438 \u0431\u044b\u0441\u0442\u0440\u043e\u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0435\u043c. \u0412\u043e \u0432\u0442\u043e\u0440\u043e\u0439 \u043f\u043e\u0441\u0442\u0430\u043d\u043e\u0432\u043a\u0435 \u043f\u0440\u0435\u0434\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u043d\u0430 ImageNet-22K \u0434\u0430\u043b\u043e ~2%-\u044b\u0439 \u043f\u0440\u0438\u0440\u043e\u0441\u0442 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u0438, \u0430 <em>Swin-L<\/em> \u0434\u043e\u0441\u0442\u0438\u0433 87.3% top-1 accuracy. \u042d\u0442\u043e \u0435\u0449\u0451 \u0440\u0430\u0437 \u043f\u043e\u0434\u0442\u0432\u0435\u0440\u0436\u0434\u0430\u0435\u0442 \u0432\u0430\u0436\u043d\u043e\u0441\u0442\u044c \u043f\u0440\u0435\u0434\u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u0432 \u043e\u0441\u043e\u0431\u0435\u043d\u043d\u043e\u0441\u0442\u0438 \u0434\u043b\u044f \u0442\u0440\u0430\u043d\u0441\u0444\u043e\u0440\u043c\u0435\u0440\u043d\u044b\u0445 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440.<\/p>\n<h4>COCO \u0434\u0435\u0442\u0435\u043a\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u043e\u0431\u044a\u0435\u043a\u0442\u043e\u0432<\/h4>\n<p>\u0414\u043b\u044f \u043e\u0446\u0435\u043d\u043a\u0438 <em>Swin-\u0430<\/em> \u0432 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 <em>backbone-\u0430<\/em> \u0434\u043b\u044f \u0434\u0435\u0442\u0435\u043a\u0446\u0438\u0438 \u0430\u0432\u0442\u043e\u0440\u044b \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043b\u0438 \u0435\u0433\u043e \u0432\u043c\u0435\u0441\u0442\u0435 \u0441 \u0442\u0430\u043a\u0438\u043c\u0438 \u0444\u0440\u0435\u0439\u043c\u0432\u043e\u0440\u043a\u0430\u043c\u0438 \u0434\u0435\u0442\u0435\u043a\u0446\u0438\u0438 \u043a\u0430\u043a <em>Cascade<\/em> <em>Mask<\/em> <em>R-CNN<\/em>, <em>ATSS<\/em>, <em>RepPointsV2<\/em> \u0438 <em>Sparse<\/em> <em>R-CNN<\/em>. \u0412 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 <em>backbone-\u043e\u0432<\/em> \u0434\u043b\u044f \u0441\u0440\u0430\u0432\u043d\u0435\u043d\u0438\u044f \u0431\u044b\u043b\u0438 \u0432\u0437\u044f\u0442\u044b <em>ResNe(X)t<\/em>, <em>DeiT<\/em> \u0438 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0441\u043e\u0442\u043e\u0432\u044b\u0445 \u0441\u0432\u0451\u0440\u0442\u043e\u0447\u043d\u044b\u0445 \u0430\u0440\u0438\u0442\u0435\u043a\u0442\u0443\u0440.<\/p>\n<p>\u0414\u043b\u044f \u0432\u0441\u0435\u0445 \u0444\u0440\u0435\u0439\u043c\u0432\u043e\u0440\u043a\u043e\u0432 <em>Swin<\/em> <em>backbone<\/em> \u0434\u0430\u043b \u0443\u0432\u0435\u0440\u0435\u043d\u043d\u044b\u0435 +3.5-4.2% AP \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u043a\u043b\u0430\u0441\u0441\u0438\u0447\u0435\u0441\u043a\u043e\u0433\u043e <em>ResNet50<\/em>. \u041e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e <em>ResNe(X)t-\u0430<\/em> <em>Swin<\/em> \u0442\u0430\u043a\u0436\u0435 \u043f\u043e\u043a\u0430\u0437\u0430\u043b \u0440\u043e\u0441\u0442 \u0432 ~3% AP \u0441\u0440\u0430\u0437\u0443 \u0434\u043b\u044f \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u0445 \u0435\u0433\u043e \u0432\u0435\u0440\u0441\u0438\u0439 <em>Swin-T<\/em>, <em>Swin-S<\/em> \u0438 <em>Swin-B<\/em>. <em>DeiT<\/em> \u043f\u0440\u043e\u0438\u0433\u0440\u0430\u043b <em>Swin-\u0443<\/em> \u0447\u0443\u0442\u044c \u043c\u0435\u043d\u044c\u0448\u0435 \u2014 \u043e\u043a\u043e\u043b\u043e 2% AP, \u043d\u043e \u0431\u044b\u043b \u0441\u0438\u043b\u044c\u043d\u043e \u043c\u0435\u0434\u043b\u0435\u043d\u0435\u0435 \u0438\u0437-\u0437\u0430 \u0447\u0435\u0441\u0442\u043d\u043e\u0433\u043e <em>Multi-Head<\/em> <em>Attention-\u0430<\/em> \u043f\u043e \u0432\u0441\u0435\u0439 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0435. \u041d\u0443 \u0438 \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0431\u043e\u043b\u044c\u0448\u043e\u0433\u043e \u043d\u0430\u0431\u043e\u0440\u0430 \u0441\u043e\u0442\u043e\u0432\u044b\u0445 \u0434\u0435\u0442\u0435\u043a\u0442\u043e\u0440\u043e\u0432 <em>Swin-L<\/em> \u0441 <em>HTC<\/em> \u043f\u043e\u043a\u0430\u0437\u0430\u043b \u0443\u043b\u0443\u0447\u0448\u0435\u043d\u0438\u0435 \u0432 ~2.6 AP.<\/p>\n<h4>ADE20K \u0441\u0435\u043c\u0430\u043d\u0442\u0438\u0447\u0435\u0441\u043a\u0430\u044f \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u044f<\/h4>\n<p>\u0414\u043b\u044f \u0441\u0435\u0433\u043c\u0435\u043d\u0442\u0430\u0446\u0438\u0438 \u0441 \u043f\u043e\u043c\u043e\u0449\u044c\u044e <em>Swin-\u0430<\/em> \u0431\u044b\u043b \u0432\u044b\u0431\u0440\u0430\u043d \u0444\u0440\u0435\u0439\u043c\u0432\u043e\u0440\u043a <em>UperNet<\/em>, \u043e\u043d<\/p>\n<\/div>\n<\/div>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[],"tags":[],"class_list":["post-327061","post","type-post","status-publish","format-standard","hentry"],"_links":{"self":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/327061","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=327061"}],"version-history":[{"count":0,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=\/wp\/v2\/posts\/327061\/revisions"}],"wp:attachment":[{"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=327061"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=327061"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/savepearlharbor.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=327061"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}