压缩 - 激励网络
计算机视觉与模式识别
2019-05-17 v4
摘要
卷积神经网络 (CNNs) 的核心构建块是卷积算子，它使网络能够在每一层的局部感受野内融合空间和通道信息，从而构建具有信息量的特征。广泛的前期研究探讨了这种关系的空间分量，旨在通过增强其特征层级中空间编码的质量来加强 CNN 的表示能力。在本工作中，我们转而关注通道关系，并提出了一种新的架构单元，我们称之为“压缩 - 激励”(SE) 块，它通过显式建模通道间的相互依赖性来自适应地重新校准通道特征响应。我们表明，这些块可以堆叠在一起形成 SENet 架构，该架构在不同的数据集上具有极强的泛化能力。我们进一步证明，SE 块以微小的额外计算成本为现有的最先进 CNNs 带来了显著的性能提升。压缩 - 激励网络构成了我们 ILSVRC 2017 分类提交的基础，该提交获得了第一名，并将 top-5 错误率降低至 2.251%，相对于 2016 年的获胜条目提升了约 25%。模型和代码可在 https://github.com/hujie-frank/SENet 获取。
引用
@article{arxiv.1709.01507,
title = {Squeeze-and-Excitation Networks},
author = {Jie Hu and Li Shen and Samuel Albanie and Gang Sun and Enhua Wu},
journal= {arXiv preprint arXiv:1709.01507},
year = {2019}
}
备注
journal version of the CVPR 2018 paper, accepted by TPAMI