SENet

核心是Se Module，也就是sequeeze 和excited 两部分、
sequeeze 做全局平均值池化，一个大小是MNC的特征图，做完全局平均值池化之后，大小变为了11C，然后通过全卷积做 将C压缩至c/reduction（压缩因子），然后进行激活，最后再通过全卷积将通道由C/reduction 扩张至C，然后再执行sigmoid，最后再将计算出来的11C 乘以 MNC，计算出每一层的权重，注意这个过程是可训练的

但是经过yolov4中的试验证明，senet在进行目标检测的时候，在GPU上运行时间会提高30%,因此yolov4 在 GPU上运行的时候，并没有使用这个模块
基础的block是两个基础的卷积+一个SE模块(SE模块由两个卷积组成)组成，先使用正常的卷积将通道从in_planes->planes->planes，然后在执行SE模块中的Sequeeze ，先使用全局平均值池化，将特征图的大小变为11，然后在执行卷积将通道压缩至planes//16，然后再执行卷积，将通道恢复至planes，最后执行sigmoid()，计算出来的11planes，最后执行Excited模块，将该特征图与原来的wh*planes相乘