Squeeze-Excitation

Squeeze-Excitation (SE) 是一种用于增强神经网络特征表示能力的方法。它通过在网络中引入SE模块来自适应地调整通道特征的重要性。SE模块主要由两个步骤组成：squeeze和excitation。

在squeeze步骤中，SE模块通过全局平均池化操作对输入的特征图进行降维，将每个通道的特征图转换为一个数值。

在excitation步骤中，通过使用一个小型的多层感知机（MLP）来学习每个通道的权重。这个MLP接受squeeze步骤输出的数值作为输入，并产生一个与通道数量相同的向量，表示每个通道的权重。

最后，通过将这些权重与输入特征图相乘，SE模块将增强重要通道的特征表示能力，从而提高网络性能。

SE模块可以很容易地集成到现有的卷积神经网络中，并且在多个计算机视觉任务中都取得了显著的性能提升，例如图像分类、目标检测和语义分割等任务。