SENet（Squeeze-and-Excitation Networks）是2017年ImageNet图像识别比赛的冠军模型，它通过引入通道注意力机制优化特征提取。SENet在ResNet和Inception等模型中加入SE Block，通过全局平均池化和全连接层调整特征图权重，从而增强重要特征并抑制次要特征。实验表明，SE模块能提高模型性能，而计算量增加不多。
SENet架构-通道注意力机制
参考论文：Squeeze-and-Excitation Networks
作者：Jie Hu，Li Shen，Samuel Albanie，Gang Sun，Enhua Wu
论文中给出的源码链接：https://github.com/hujie-frank/SENet
1、SeNet简介
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 不是独立的模型设计，只对模型的一种优化。一般 SENet 都会结合其它模型一起使用，比如 SENet 用于 ResNet-50 中我们就把这个模型称为 SE-ResNet-50，比如 SENet 用于 Inception-ResNet-v2 中我们就把这个模型称为 SE- Inception-ResNet-v2。最早提出 SENet 的论文是《Squeeze-and
订阅专栏 解锁全文
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
