压缩聚合激励网络

卷积神经网络具有在空间上读取视觉任务中模式的空间表示。压缩与激励通过显式在通道层面建模来连接通道间的表示。多层感知机学习全局表示，且在多数模型中常用于所有卷积层之后以在分类前汇集此前学习的所有信息。我们提出一种在通道内引入全局表示的方法，以提升模型性能。我们提出SaEnet，即压缩聚合激励网络（Squeeze aggregated excitation network），用于在各层之间学习全局通道表示。所提模块利用在压缩后通过聚合激励再恢复形状来传递重要信息。我们还引入了在网络中设置多分支线性（稠密）层的新思路。它从压缩信息中学习全局表示，从而增强网络的表达能力。所提模块使用ImageNet与CIFAR100数据集进行了大量实验，并与密切相关架构进行比较。分析结果表明，所提模型的输出可与现有最先进架构相媲美，且在部分情况下更优。