标签：Excitation 模型 ResNet SENet Squeeze Networks block

SENet 是 ImageNet 2017（ImageNet收官赛）的冠军模型，和ResNet的出现类似，都在很大程度上减少了之前模型的错误率，并且复杂度低，新增参数和计算量小。

　　SE block并不是一个完整的网络结构，而是一个子结构，可以嵌入到其他分类或检测模型中。作者在文中将 SENet block 和 ResNet 插入到现有的多种分类网络中，都取得了不错的效果。SENet 的核心思想在于通过网络根据 loss 去学习特征权重，使得有效的 feature map 权重大，无效或效果小的 feature map 权重小的方式训练模型达到更好的结果。
当然，SE block 嵌入在原有的一些分类网络中不可避免的增加了一些参数和计算量（相对于原始的 ResNet-50 只相对增加了 0.26%，可以忽略不计），但是在效果面前还是可接受的。最方便的是SENet思路简单，很容易扩展在已有的网络结构中。

深度学习论文翻译解析（十六）：Squeeze-and-Excitation Networks - 战争热诚 - 博客园

标签：Excitation,模型,ResNet,SENet,Squeeze,Networks,block
来源： https://blog.csdn.net/weixin_43135178/article/details/122146153

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。