挤压与激励网络

卷积神经网络建立在卷积操作之上，通过在局部感受野内融合空间和通道信息来提取信息特征。为了增强网络的表征能力，最近的一些方法显示出增强空间编码的好处。在这项工作中，我们关注通道之间的关系，提出了一种新的架构单元，称为“挤压与激励”（SE）块，它通过明确建模通道之间的相互依赖关系，自适应重新校准通道特征响应。我们证明，通过将这些块堆叠在一起，可以构建在具有挑战性的数据集上极其良好的泛化能力的 SENet 架构。重要的是，我们发现 SE 块以最小的额外计算成本，为现有最先进的深度架构带来了显著的性能提高。SENets 是我们 ILSVRC 2017 分类提交的基础，该提交获得第一名，显著将前 5 名错误率降低至 2.251%，相较于 2016 年的获胜作品实现了约 25%的相对改进。代码和模型可在 https://github.com/hujie-frank/SENet 获得。