swin transformer vedio

Swin Transformer是一种用于视频领域的变形注意力模型，也被称为Video Swin Transformer。它是基于Swin Transformer模型的扩展，主要针对视频数据进行建模。在Video Swin Transformer中，相比于传统的Swin Transformer模型，它需要增加一个时间维度，以处理视频中的时间序列数据。在构建attention和window时，也会有一些细微的区别。这样设计的目的是为了更好地捕捉视频序列中的时空相关性。

引用资料：
1. Video Swin Transformer
2. Swin-Transformer网络结构详解
3. Swin Transformer论文精读
4. Swin Transformer从零详细解读
5. https://github.com/SwinTransformer/Video-Swin-Transformer