1.senet
- 对输入进来的特征层进行全局平均池化。
- 然后进行两次全连接(可用1*1卷积代替),第一次全连接神经元个数较少,第二次全连接神经元个数和输入特征层个数相同。
- 在完成两次全连接之后,再取一次sigmoid将值域固定在[0,1],获得输入特征层每一个通道的权值(0-1之间)。
- 在获得这个权值之后,将权值与原输入特征层相乘即可。
下图是对上图的举例,上图中,r是缩减倍数
2.ECANet
SENet采用的降维操作会对通道注意力的预测产生负面影响,且获取依赖关系效率低且不必要 ;
基于此,提出了一种针对CNN的高效通道注意力(ECA)模块,避免了降维,有效地实现了跨通道交互
用一维卷积捕获跨通道交互,其中的k是自适应性,如下图展示