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
注意力机制的文章之------通道注意力 SE-Net:Squeeze-and-Excitation Networks论文详解 论文链接：https://arxiv.org/pdf/1709.01507.pdf Github代码：https://github.com/hujie-frank/SENet 注意力机制最早用于自然语言处理(NLP),后来在计算机视觉(CV)也得到广泛的应用，之后注意
论文：Squeeze-and-Excitation Networks code：https://github.com/hujie-frank/SENet 最近，有时间了，正好回顾一下这篇论文，做个笔记，因为文中提出的SE block应用太广泛，只要是个网络就可以加个SE block，可以说是业界的长点万金油 结构简单，idear最好，没有复杂的数学，全凭实验说话 SE block 结
Read Data: 0616 Publication: CVPR 2018 Title: Squeeze-and-Excitation Networks Participants: Jie Hu, Li Shen, Samuel Albanie, Gang Sun, Enhua Wu Aim: 希望显式地建模特征通道之间的相互依赖关系。 Research Question: 作者并未引入新的空间维度来进行
文章目录 1 概述 2 SE-ResNet module 3 SE-resnet网络pytorch实现 1 概述 SENet是Squeeze-and-Excitation Networks的简称，拿到了ImageNet2017分类比赛冠军，其效果得到了认可，其提出的SE模块思想简单，易于实现，并且很容易可以加载到现有的网络模型框架中。SENet主要是学习了channe
The Head and Neck Tumor Segmentation Using nnU-Net with Spatial and Channel ‘Squeeze & Excitation’ Blocks 使用带有空间和通道“挤压和激发”模块的nnU-Net进行头颈部肿瘤分割 Abstract 头颈部（H＆N）癌症是癌症死亡的第八大最常见原因。放射疗法是最有效的疗法之一，但是
论文标题：Squeeze-and-Excitation Networks 论文作者：Jie Hu Li Shen Gang Sun 论文地址：https://openaccess.thecvf.com/content_cvpr_2018/papers/Hu_Squeeze-and-Excitation_Networks_CVPR_2018_paper.pdf SENet官方Caffe实现：https://github.com/hujie-frank/SENet 民间Tenso
se-net sequeeze:压缩通道得到通道级别的响应 excitation:激活----得到通道注意力的权重 对已经得到的featur map: 首先将特征图进行压缩得到(1,1,C)---v1-------sequeeze 然后对v1乘上一个矩阵W(学下得到)得到vec(1,1,C)-----excitation 最终将vec分别对应乘以feature map对输入
