เปรียบเทียบวิธี

	Swin Transformer (โปรแกรมแปลง Swin)	วิชันทรานส์ฟอร์มเมอร์
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2021	2021
ผู้ริเริ่ม	Ze Liu	Dosovitskiy, A. et al.
ประเภท	Neural network architecture	Transformer architecture for images (self-attention over patches)
แหล่งต้นตำรับ	Liu, Z., Lin, Y., Cao, Y., Hu, H., Wei, Y., Zhang, Z., Lin, S., & Guo, B. (2021). Swin Transformer: Hierarchical vision transformer using shifted windows. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 10012-10022).	Dosovitskiy, A. et al. (2021). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. ICLR.
ชื่อเรียกอื่น	Swin, Hierarchical Vision Transformer	Görsel Transformer (ViT), görsel transformer, ViT, patch transformer for images
ที่เกี่ยวข้อง	4	5
สรุป	The Swin Transformer is a hierarchical vision transformer introduced by Liu et al. in 2021 that uses shifted window attention to achieve computational efficiency while maintaining strong performance on computer vision tasks. Unlike the original Vision Transformer which applies global self-attention, Swin uses local window-based attention with periodic shifting to balance expressiveness and efficiency.	The Vision Transformer (ViT), introduced by Dosovitskiy and colleagues in 2021, splits an image into fixed-size patches, treats those patches as a sequence, and applies the Transformer self-attention mechanism to image classification. Given enough training data, it surpasses convolutional neural networks (CNNs).