A escolha do artigo:

[1] Z. Liu et al., “Swin Transformer: Hierarchical Vision Transformer using Shifted Windows”, em 2021 IEEE/CVF International Conference on Computer Vision (ICCV), out. 2021, p. 9992–10002. doi: 10.1109/ICCV48922.2021.00986.

👍 Abstract

• Tema bem definido: Swin Transformer
• Proposta de arquitetura para redes neurais artificiais
• Modelo de propósito geral para visão computacional
• Disponibilizam código-fonte no Github

👎 Abstract

• Risco de decaimento da URL Github
• Seria esperado arquivamento no Software Heritage ou Zenodo, incluindo identificador persistente

Swin Transformer = Shifted windows

👍 Introdução

• Sucesso do Transformer com linguagem ⇒ Visão computacional
• Problema de escala ⇒ Complexidade computacional
• Swin Transformer atingiu bons resultados com complexidade linear
• Descreve arquiteturas de redes neurais convolucionais (CNN)
• Contraponto com arquiteturas de processamento de linguagem natural (NLP)

👎 Introdução

• Falta detalhes de implementação, quais linguagens, frameworks ou bibliotecas foram utilizadas
• O código-fonte é um artefato e uma contribuição científica e poderia ter algum espaço no texto

👍 Trabalhos relacionados

• Apresenta uma boa compreensão do campo, modelos e arquiteturas, como VGG e GoogleNet
• Traz o ViT como um dos modelos similares ao modelo implementado
• O ViT foi pioneiro no uso de fragmentos de imagens não sobrepostas para classificação de imagens
  • Isto proporcionou melhorias de velocidade em comparação com redes convolucionais

👍 Método

• Compara-se a implementação Swin Transformer com o modelo ViT
• Boas descrição dos estágios de transformação dos dados
• Formalização matemática e comparação de modelos
• Mostram a diferença entre o crescimento quadrático de alguns modelos, com o crescimento linear do modelo Swin Transformer

👍 Método

• Constroem variações Swin-B, Swin-T, Swin-L, Swin-S
• Comparam com outros modelos, como ViT-B/DeiT-B
• Apresentam dados em tabela, incluindo tamanho, complexidade computacional e vazão

👍 Experimentos

• Conduzem experimentos com os datasets ImageNet-1K, ImageNet-22K, ADE20K e COCO object detection
• Comparam o Swin Transformer com o estado da arte, eficiência em termos de tradeoff acurácia-velocidade
• Fazem benchmarks para classificação de imagens, detecção de objetos, e segmentação semântica
• Descrevem detalhadamente os experimentos em apêndice com informações adicionais

👍👍👍

• Apresenta adequadamente os conceitos teóricos
• Compara o modelo Swin Transformer com outros modelos
• Benchmarks ⇒ Reportam resultados
• Código-fonte disponível no Github

👎👎👎

• Faltam detalhes sobre linguagens ou bibliotecas usadas na implementação
• Identificador e arquivo permanente como alternativa adicional a URL do Github