senet网络结构图

### SENet（Squeeze-and-Excitation Network）网络架构概述

SENet 是一种改进卷积神经网络性能的方法，其核心在于引入了 SE 块。这种新提出的体系结构单元旨在通过让网络执行动态信道特征重新校准来增强表示能力[^3]。

#### SE块的工作原理

每个 SE 块由两个主要操作组成：

1. **挤压(Squeeze)**：全局池化层用于获取输入特征图的空间信息汇总。
2. **激励(Excitation)**：全连接层和激活函数组成的子网用来计算各个通道的重要性权重，并以此调整原特征图中的相应位置。

此过程使得模型可以根据当前上下文自适应地重加权有用的特征响应，在不增加太多额外参数的情况下提高了表达力。

#### 架构实例展示

对于具体的实现方式，可以通过修改现有的经典 CNN 模型得到不同的变体版本，比如 SE-ResNet 或者 SE-Inception 等等。以下是 SE-ResNet-50 的简化版架构示意[^4]:

Input -> Convolution Layer -> Max Pooling ->
Stage 1: SE Block + BasicBlock * n times ->
...
Stage L: SE Block + Bottleneck * m times ->
Average Pooling -> Fully Connected Layer -> Output

在这个例子中，“BasicBlock”或"Bottleneck"代表标准 ResNet 中的基础组件；而 "SE Block" 则指代上述提到的 Squeeze-and-Excitation 组件。整个网络是由这些经过改造后的基础模块重复堆叠而成。

为了更直观理解 SE 层的作用机制以及它如何融入传统卷积神经网络之中，下面给出一张典型的 SE-ResNet 架构图示意图:


该图片展示了 SE-ResNet 的整体框架布局，其中特别强调了 SE 操作是如何被集成到每一个残差单元内部去影响最终输出结果的质量提升。