Swin Transformer
Sinónimos: Transformer Swin
Definición ampliada
Swin Transformer es una arquitectura para visión artificial que organiza la imagen en representaciones de varias escalas. Calcula autoatención dentro de ventanas locales y desplaza las ventanas entre bloques para que la información pueda cruzar sus límites [1].
Es una variante del transformer, no el nombre de todos los transformers visuales. La atención local limita el coste de procesar imágenes grandes, mientras la jerarquía facilita tareas que requieren localizar regiones.
Contexto histórico
Liu y colaboradores presentaron Swin Transformer en 2021 y lo evaluaron en clasificación, detección de objetos y segmentación semántica sobre conjuntos generales de visión [1]. Los resultados del trabajo original no establecen por sí solos rendimiento en imágenes clínicas.
Importancia actual
A fecha de septiembre de 2026, sigue siendo una referencia para diseños visuales jerárquicos con atención por ventanas. Elegir Swin en una tarea concreta exige compararlo con alternativas, incluidas redes convolucionales, con los mismos datos, recursos y criterios de evaluación.
Aplicaciones
Generales
- Clasificar imágenes o extraer representaciones visuales.
- Detectar objetos y segmentar regiones en investigación.
Sanitarias
- Evaluar experimentalmente segmentación de órganos o lesiones en imágenes médicas, con comparación y validación externa.
- Estudiar si la atención por ventanas ayuda a procesar imágenes de alta resolución sin perder hallazgos pequeños.
Limitaciones
- La arquitectura no resuelve sesgos del conjunto de entrenamiento ni cambios entre centros o equipos.
- Las ventanas, tamaños de imagen y recursos de cómputo condicionan el resultado.
- Una ventaja en benchmarks de visión general no implica superioridad frente a una CNN en una tarea sanitaria.
- Los mapas de atención no constituyen, por sí solos, una explicación clínica fiable de una predicción.
Ejemplos
En una imagen, un bloque atiende a regiones locales. En el siguiente, las ventanas se desplazan y un elemento puede intercambiar información con elementos que antes quedaban al otro lado del borde. Esa conexión favorece una representación jerárquica; detectar una lesión concreta requiere entrenamiento y evaluación específicos.