通俗解释
ViT 对整张图做全局注意力，分辨率一高计算量就爆炸。Swin 只在小窗口内算注意力，下一层把窗口错开半格，让信息跨窗口流动，并像 CNN 一样逐层合并图块形成多尺度特征。这让 Transformer 能胜任检测、分割等密集预测任务。
用在哪里：检测、分割和视频理解的骨干网络
01原始论文
Swin Transformer: Hierarchical Vision Transformer using Shifted Windows
Ze Liu, Yutong Lin, Yue Cao, et al. · 2021
arXiv ↗ ✓ 已核实 · arXiv API
02知识位置
左边先学；右边是学完它之后可以学的。
相关：滑动窗口/稀疏注意力DETR（Transformer 目标检测）
左：前置 · 右：后继 · 虚线：相关。看完整关系图 →
03学习资料
官方文档、图解、课程和参考实现，链接都核对过。
04在课程里哪里学
给 AI 读 / 数据说明
- 核实状态：已核实，核对于 2026-10-22。
- JSON: /api/learn/algorithms.json (id:
swin)