官方GitHub链接：https://github.com/hujie-frank/SENethttps://github.com/hujie-frank/SENet

原文链接：[1709.01507] Squeeze-and-Excitation Networkshttps://arxiv.org/abs/1709.01507

感兴趣的朋友可以自行下载，下面就让我们开始今天的分享。

一、引言

SENet（Squeeze-and-Excitation）是由来自Momenta的胡杰及其所在的WMW团队提出的一种通道注意力机制，在这之前，传统CNN面临着这样一个情况：每个特征通道的响应强度都是固定的，网络无法根据当前输入的具体内容，动态地决定“哪些特征通道更重要”。SENet则解决了这个问题，可以自适应地学习到每个通道的重要性，根据全局信息重新校准通道权重，进而可以大大提升模型的性能。

二、核心思想

SE模块核心思想是三步走战略：

1.压缩（Squeeze）：

通过全局平均池化将每个通道的HW空间信息压缩成一个数值，这个数值携带该通道的全局感受野信息，让浅层网络也能获得全局信息：

：Squeeze操作

：第c个通道的全剧平均池化结果，标量

：第c个通道的特征图，形状为

2.激励（Excitation）：

通过两次全连接层（FC → ReLU → FC → Sigmoid）网络学习通道间的相关性，先将通道数压缩为原来的1/r（r默认取16，平衡性能和计算量），经ReLU激活后再恢复到原始通道数，最后通过Sigmoid得到每个通道0-1之间的权重值：

表示Sigmoid 激活函数

表示ReLU激活函数

3.重标定（Scale）：

将学习得到的权重逐通道乘到原始特征上，完成对原始特征的重标定：

表示重标定后的新特征图

表示得到的新权重

表示原始特征图第c个通道的二维矩阵

三、小结

SENet（Squeeze-and-Excitation Networks）是一种通道注意力机制，本质上是一个即插即用的轻量级模块，而非独立的网络架构。它可以嵌入到ResNet、Inception等已有网络中，用极低成本让网络学会“注意力”，动态地为每个特征通道学习0~1之间的权重，让重要特征更突出，让无关特征被忽略。