Squeeze-and-Excitation Networks（SE network）阅读笔记_squeeze-and-extraction

SE Block详解

• SE Block通过学习通道之间的关系，调节特征图通道之间的权重，从而达到attention集中的目的，改善网络的表达能力。
• SE Block可以替代任意的卷积操作。

上图为SE Block描述图。可以看到，通过SE Block以后特征图的维度不会发生改变。SE模块有些像res，最大的不同在于将最后的加改成了乘。SE Block有两条数据流。上边的数据流首先对原图进行一个Squeeze操作（即对U进行global average pooling，输出为1*1 *C ）。经过Squeeze操作之后，再对输出进行一个Excitation操作，此操作意在捕捉通道之间的关系吗。Excitation操作首先对Squeeze操作的输出进行降维（r为放缩因子），然后进行ReLU激活，最后再放大维度变回原来的通道数C。之所以采用这种bottleneck的结构，原文解释为降低模型的复杂度以及提高模型的泛化能力。经过Squeeze和Excitation之后，学习到了channel attention，将Excitation的输出与原特征图U逐个通道相乘（即scale操作），相当于改变了各个特征图的权重，从而使模型将attention集中在更有意义的特征图上。
SE Block公式化为：

• squeeze(global average pooling)
• excitation（降维，ReLU，升维）
• scale操作（原特征图U与excitation输出相乘）

关于SE Block的examples

• 用在Inception network
  
• 用在ResNet