SEnet 通道注意力模块
SEnet 通道注意力模块
开篇一张图:
变量和图片解释:
三个正方体:特征向量,比如说图像的特征,H表示图片高度、W表示图片宽、C表示通道(黑白1通道、彩色3通道)
字母:
- X表示输入特征;
- Ftr表示的是对X进行一次卷积,也就是对特征进行一系列的操作之后的结果,表示为U;
- Fsq(.)表示的是对U进行压缩;
- Fex(.)表示的是对U进行激活(就是赋予权重);
- Fscale(.)表示的是对U进行放大(就是恢复维度);
执行过程
- 对于输入的特征X进行一些列处理(在图中表示为卷积:Ftr)之后,得到处理后的特征U。
- 对特征U进行压缩操作,该压缩是沿着通道进行的,说直白的就是把每个通道的向量变为一个1x1的向量,也就是一个数,再直白一点就是把C个高为H、宽为W的一个平面面变为C个点。得到1x1xC的向量。值得注意的是:每个数(点)都拥有这个通道的全局特征信息。
- 然后使用可学习的参数对前面得到的1x1xC的向量赋予权重,说白了就是给C个点分别给一个权重,表示这个点在整个特征中的重要性。图中不同的颜色表示不同的重要性。
- 根据第3步的C个颜色对应到原始特征上,把原始特征的C个通道染上对应的色(赋予对应的权重)。这就得到了不同通道的不同的重要性,也就是注意力。
总结
这是我学完SENET之后的个人理解,傻瓜式理解,不喜勿喷。
需要注意的是,这个模块非常的灵活,非常的通用,如果想水一个创新点,往已有模型里加东西,这个模块可能是一个不二之选。
最后附上代码和网络结构图(对着前面模型结构图能看懂),如果模型结构懂了,看代码就是时间问题。
在图中根据上面说的对应着应该能看懂,需要说明的是r是一个给定数,主要是怕C太大,参数太多。
源代码:SEnet.pytorch 有caffe实现的,但是配一个caffe环境,我能重装十个系统,尽量用pytorch吧。
核心模块代码(对着网络结构图看看能懂):
from torch import nn
class SELayer(nn.Module):def __init__(self, channel, reduction=16):super(SELayer, self).__init__()self.avg_pool = nn.AdaptiveAvgPool2d(1)self.fc = nn.Sequential(nn.Linear(channel, channel // reduction, bias=False),nn.ReLU(inplace=True),nn.Linear(channel // reduction, channel, bias=False),nn.Sigmoid())def forward(self, x):b, c, _, _ = x.size()y = self.avg_pool(x).view(b, c)y = self.fc(y).view(b, c, 1, 1)return x * y.expand_as(x)
SEnet 通道注意力模块相关推荐
- 超强通道注意力模块ECANet
CVPR2020论文阅读--超强通道注意力模块ECANet!论文地址:https://arxiv.org/abs/1910.03151 摘要 最近,通道注意机制已被证明在改善深度卷积神经网络(CNN) ...
- CVPR2020论文阅读——超强通道注意力模块ECANet!
Abstract 最近,通道注意机制已被证明在改善深度卷积神经网络(CNN)的性能方面具有巨大潜力.然而,大多数现有方法致力于开发更复杂的注意模块以实现更好的性能,这不可避免地会增加模型的复杂性. 为 ...
- CVPR2020-超强通道注意力模块ECANet!
Abstract 最近,通道注意机制已被证明在改善深度卷积神经网络(CNN)的性能方面具有巨大潜力.然而,大多数现有方法致力于开发更复杂的注意模块以实现更好的性能,这不可避免地会增加模型的复杂性. 为 ...
- 《Squeeze-and-Excitation Networks》SE-Net通道注意力机制
前言 在阅读了一系列Activation Funtion论文之后,其中Dynamic Relu的论文提到了基于注意力机制的网络,因此先来看看经典的SE-Net的原理 Introduction 对于CN ...
- SEnet 通道注意力机制
SENet 在于通过网络根据loss去学习特征权重,获取到每个feature map的重要程度,然后用这个重要程度去给每一个特征通道赋予一个权重值,从而让神经网络去重点关注某些feature map ...
- 在网络中添加SE通道注意力模块
第一步:首先在网络构造的py中添加SELayer这个类 class SELayer(nn.Module):def __init__(self, channel, reduction=16):super ...
- 通道注意力机制 cnn keras_【CV中的Attention机制】简单而有效的CBAM模块
前言: CBAM模块由于其使用的广泛性以及易于集成得到很多应用.目前cv领域中的attention机制也是在2019年论文中非常火.这篇cbam虽然是在2018年提出的,但是其影响力比较深远,在很多领 ...
- CBAM:融合通道和空间注意力的注意力模块
本文转载自AI公园. 作者:Sik-Ho Tsang 编译:ronghuaiyang 导读 使用CBAM加持的MobileNetV1,ResNeXt&ResNet,WRN优于使用SENet的网 ...
- 通道注意力超强改进,轻量模块ECANet来了!即插即用,显著提高CNN性能|已开源——总结3
极市平台(微信公众号ID:extrememart):专注计算机视觉前沿资讯和技术干货.本文由极市平台首发,转载需获授权. 极市导读:今天给大家推荐一篇CVPR2020上对通道注意力进行改进的文章--- ...
最新文章
- DeepMind又出大招!新算法MuZero登顶Nature,AI离人类规划又近了一步
- loglevel python 不输出_Python 通过 Celery 框架实现分布式任务队列!
- 可靠性不是测试出来的,是设计出来的!
- TortoiseSVN操作
- JS事件的捕获和冒泡阶段
- 这里有10个优质Python开源项目,来帮你学好Python
- c语言:猴子吃桃问题
- 面试硬核干货:纯CSS实现垂直居中,快来收藏吧
- WinForm:API
- VMware如何开机自动启动虚拟机也启动
- Python Spider 的总结
- SVN提交报错: txn-current-lock拒绝访问。
- Win10系统下如何修改电脑名称?windows10更改电脑名称的方法
- windows C++生成二维码图片
- FOTRIC 692Pro红外热成像仪 人体体温筛查
- 彻底摒弃流量主导的发展模式 才能真正让电商走出流量的怪圈
- 小米手机运行linux,小米6成功刷入UOS国产操作系统,可开机运行
- python初级教练员考试题目_python程序设计(杨梅)-中国大学mooc-试题题目及答案...
- RHCE学习笔记-133-1
- js ||(双竖线) ??(双问号) ?.(问号点) 等符号的用法
热门文章
- 到农行领取Google西联汇款的注意事项
- Elasticsearch 中的“生产模式”和“开发模式”是什么
- 06 工厂生产模式(创建型模式)
- TMS云应邀参加第六届西部国际物流博览会
- 深圳特区报 | 可见光通信与光计算:华创芯光,在国际竞争中抢占行业制高点
- Tomcat注册成系统服务并随机启动
- 计算机2003应用试题答案,2017职称计算机考试《Excel2003》练习题及答案(6)
- java区间合并_贪心算法:合并区间
- 金融行业云迁移实践 HyperMotion助力江苏农信银行实施金融专有云创新项目,实现跨地域,多网点,大数据量迁移上云
- Android7.1开机声音