4-CNN-demo-0602-SeNet_block.py

最新推荐文章于 2023-01-14 21:05:35 发布
最新推荐文章于 2023-01-14 21:05:35 发布
阅读量272 收藏 1
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HJZ11/article/details/104123012
版权 

import tensorflow as tf

"""
实现Senet block模块
"""

def Se_block(inputs_tensor, name, reduction=8):
    """
    :param inputs_tensor:  4-D tensor  [N, H, W, C]
    :param reduction:
    :return:
    """
    with tf.variable_scope(name):
        _, H, W, C = inputs_tensor.get_shape()

        # 1、挤压
        x_mean = tf.reduce_mean(inputs_tensor, axis=[1, 2], keepdims=True)
        # [N, 1, 1, C]

        # 2、激励
        x = tf.layers.conv2d(
            x_mean, C // reduction, kernel_size=1, strides=1, padding='valid', activation=tf.nn.relu,
            name='se1'
        )  # [N, 1, 1, C/r]
        x = tf.layers.conv2d(
            x, C, kernel_size=1, strides=1, padding='valid', activation=tf.nn.sigmoid, name='se2'
        )  # [N, 1, 1, C]

        # 3、特征重标定。
        y = tf.multiply(inputs_tensor, x)
    return y


def test():
    data = tf.ones(shape=[2, 64, 64, 128], dtype=tf.float32)
    se_out = Se_block(data, name='se_block', reduction=8)
    print(se_out)

    with tf.Session() as sess:
        sess.run(tf.global_variables_initializer())
        print(sess.run(se_out))


if __name__ == '__main__':
    test()

D:\Anaconda\python.exe D:/AI20/HJZ/04-深度学习/3-CNN/20191215__AI20_CNN/06_SeNet_block.py
Tensor("se_block/Mul:0", shape=(2, 64, 64, 128), dtype=float32)
2020-01-31 12:30:18.151070: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2
[[[[0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   ...
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]]

  [[0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   ...
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]]

  [[0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   ...
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]]

  ...

  [[0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   ...
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]]

  [[0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   ...
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]]

  [[0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   ...
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]]]


 [[[0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   ...
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]]

  [[0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   ...
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]]

  [[0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   ...
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]]

  ...

  [[0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   ...
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]]

  [[0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   ...
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]]

  [[0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   ...
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]
   [0.41282308 0.34352598 0.33103785 ... 0.43650055 0.45205465
    0.61846423]]]]

Process finished with exit code 0
HJZ11
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SENet（Squeeze-and-Excitation Networks）算法笔记
AI之路
09-16 8万+
论文：Squeeze-and-Excitation Networks 论文链接：https://arxiv.org/abs/1709.01507 代码地址：https://github.com/hujie-frank/SENet PyTorch代码地址：https://github.com/miraclewkf/SENet-PyTorch Sequeeze-and-Excitation(S
Keras实现Senet block模块
sinat_36618660的博客
10-14 8763
一、keras实现的Senet block模块代码 class SeBlock(keras.layers.Layer): #add def __init__(self, reduction=4,**kwargs): super(SeBlock,self).__init__(**kwargs) self.reduction = reduction ...
图像分类经典神经网络大总结（AlexNet、VGG 、GoogLeNet 、ResNet、 DenseNet、SENet、ResNeXt ）
路人贾的博客
01-14 1万+
图像分类经典神经网络大总结（AlexNet、VGG 、GoogLeNet 、ResNet、 DenseNet、SENet、ResNeXt ）
tensorflow2.2_实现SENet
qq_42025868的博客
01-14 4192
1. SENet介绍     SENet 是 ImageNet Challenge 图像识别比赛 2017 年的冠军，是来自 Momenta 公司的团队完成。他们提出了 Squeeze-and-Excitation Networks（简称 SENet）。SENet一般不单独使用，通常都是与其它模型结合使用，使其效果更好。     在一般的卷积层中通过卷积核会生成许多不同的特征图，但在这些特征图中并不是所有的特征图都是很重要的，也许有些特征可以忽略。如果我们可以将重要的特征加强，而不重要的特征可以减弱，这样我
SE Block （Sequeze and Excitation）
bl128ve900的博客
06-26 2万+
看senet block的代码，明白如何实现 def Squeeze_excitation_layer(self, input_x, out_dim, ratio, layer_name): with tf.name_scope(layer_name) : squeeze = Global_Average_Pooling(input_x)#对每...
基于SENet改进的Faster R-CNN行人检测模型
05-06
针对此问题，提出一种改进的Faster R-CNN模型，在Faster R-CNN的主体特征提取网络模块中加入SE网络单元，进行道路行人检测.这种方法不仅能达到相对较高的准确率，用于视频检测时还能达到一个较好的检测速率，其综合...
SENet-master.zip
09-02
SENet的主要创新在于SE块（Squeeze-and-Excitation Block），它由两部分组成：挤压（Squeeze）和激活（Excitation）。挤压阶段通过对每个位置的特征映射进行全局平均池化，得到一个单一的通道描述符，这个描述符捕捉...
cnn_model-master_ResNet_magnetrvd_senet_CNN网络_cnn分类_源码.zip
10-05
4. **CNN网络**：卷积神经网络是深度学习中的一种重要模型，特别适合于图像处理任务。CNN通过卷积层、池化层、激活函数等组件，能够自动学习和提取图像的特征，广泛应用于图像识别、图像分类、物体检测等领域。 5. ...
cnn_model-master_ResNet_magnetrvd_senet_CNN网络_cnn分类_源码.rar
09-29
cnn_model-master_ResNet_magnetrvd_senet_CNN网络_cnn分类_源码.rar
cbam block and senet  block
candy134834的博客
12-21 859
其实就是在 图像宽高上面重要性 图像宽高求要平均 最大 然后 相加 求sigmoid  然后 接着在 通道上面求重要性 通道数上面分别求平均 和 最大  然后相加  求sigmoid senet  其实就是通道的重要性不同 ，感觉cbam和senet是不是有些相似  def cbam_block(input_feature, name, ratio=8): """Contains ...
CNN模型之SeNet总结
Less is More
11-28 709
Squeeze-and-Excitation Networks（SENet）是自动驾驶公司Momenta2017年公布的图像识别结构。 SE block网络结构示意图如下 SE Net关键知识点 SE网络可以通过堆叠SE模块得到 SE模块也可以嵌入到现在几乎所有的网络结构中 前面层中的SE block以类别无关(class agnostic)的方式增强可共享的低层表示的质量 越后面层中SE block越来越类别相关 SE block重新调整特征的益处可以在整个网络中积累 SE
详解ImageNet 2017夺冠架构SENet
x1198928367的博客
03-27 959
详解ImageNet 2017夺冠架构SENet 我们从最基本的卷积操作开始说起。近些年来，卷积神经网络在很多领域上都取得了巨大的突破。而卷积核作为卷积神经网络的核心，通常被看做是在局部感受野上，将空间上（spatial）的信息和特征维度上（channel-wise）的信息进行聚合的信息聚合体。卷积神经网络由一系列卷积层、非线性层和下采样层构成，这样它们能够从全局感受野上去捕获图像的特征来进...
SENet学习笔记
xjz18298268521的博客
01-16 3万+
SENet总结 论文：《Squeeze-and-Excitation Networks》 论文链接：https://arxiv.org/abs/1709.01507 代码地址：https://github.com/hujie-frank/SENet 1. 概述   此论文是由Momenta公司所作并发于2017CVPR，论文中的SENet赢得了ImageNet最后一届（ImageNe
Pytorch中的train和eval模式详解
sinat_36618660的博客
08-29 1万+
(一)、model.train()和model.eval()分别在训练和测试中都要写，它们的作用如下： (1)model.train() 启用 BatchNormalization 和 Dropout，将BatchNormalization和Dropout置为True (2).model.eval() 不启用 BatchNormalization 和 Dropout，将BatchNormaliza...
SE Block（Sequeze and Excitation）
qq_43703185的博客
08-24 1045
原文链接： https://blog.csdn.net/bl128ve900/article/details/93778729       看senet block的代码，明白如何实现 def Squeeze_excitation_layer(self, input_x, out_dim, ratio,
SENet
weixin_41172694的博客
02-13 1万+
版权声明：本文为博主原创文章，未经博主允许不得转载 论文：Squeeze-and-Excitation Networks 链接：https://arxiv.org/abs/1608.06993 代码:https://arxiv.org/abs/1709.01507 第三方代码： Momenta公司发于2017CVPR  1.概述 卷积核作为CNN的核心，通常都是在局部感受野上将...
SENet（Squeeze-and-Excitation Networks）网络详解
热门推荐
西湖有大葱的专栏
04-23 7万+
论文：《Squeeze-and-Excitation Networks》 论文链接：https://arxiv.org/abs/1709.01507 代码地址：https://github.com/hujie-frank/SENet PyTorch代码地址：https://github.com/miraclewkf/SENet-PyTorch一、SEN...
解压 CIRL_SENet.tar
最新发布
01-12
抱歉，根据提供的引用内容，我无法回答你关于解压CIRL_SENet.tar的问题。引用提到了CIRL的意思是“cat Internet |相对链接>”，但没有提到与解压相关的内容。引用提到了Semi-supervised On-Line Boosting for Robust...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值