溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
如何理解SENet，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。
SENet是ImageNet 2017（ImageNet收官賽）的冠軍模型，和ResNet的出現類似，都在很大程度上減小了之前模型的錯誤率（具體見附錄），并且復雜度低，新增參數和計算量小。下面就來具體介紹一些SENet的神奇之處。
SENet的全稱是Squeeze-and-ExcitationNetworks，中文可以翻譯為壓縮和激勵網絡。主要由兩部分組成：
1. Squeeze部分。即為壓縮部分，原始feature map的維度為H*W*C，其中H是高度（Height），W是寬度（width），C是通道數（channel）。Squeeze做的事情是把H*W*C壓縮為1*1*C，相當于把H*W壓縮成一維了，實際中一般是用global average pooling實現的。H*W壓縮成一維后，相當于這一維參數獲得了之前H*W全局的視野，感受區域更廣。
2. Excitation部分。得到Squeeze的1*1*C的表示后，加入一個FC全連接層（Fully Connected），對每個通道的重要性進行預測，得到不同channel的重要性大小后再作用（激勵）到之前的feature map的對應channel上，再進行后續操作。
可以看出，SENet和ResNet很相似，但比ResNet做得更多。ResNet只是增加了一個skip connection，而SENet在相鄰兩層之間加入了處理，使得channel之間的信息交互成為可能，進一步提高了網絡的準確率。
SENet可以隨意插入到任何網絡中，提升效果也是比較顯著的，論文中給的結果是有0.4%~1.8%范圍的error減小。
訓練的曲線也很漂亮，最下面橙色的即為SENet的結果：
附錄：
ImageNet分類Top5錯誤率：
2014 GoogLeNet 6.67%
2015 ResNet 3.57%
2016 ~~~ 2.99%
2017 SENet 2.25%
看完上述內容，你們掌握如何理解SENet的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注億速云行業資訊頻道，感謝各位的閱讀！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
