本篇介绍两个图像分类方面的工作：SENet 和 SKNet，听这名字就知道，这两个是兄弟。SENet 提出了 Sequeeze and Excitation block，而 SKNet 提出了 Selective Kernel Convolution，二者都可以很方便的嵌入到现在的网络结构，比如 ResNet、Inception、ShuffleNet，实现精度的提升。

作者丨郭晓锋 

单位丨北京爱奇艺科技有限公司算法工程师 

研究方向丨图像生成

SENet

Motivation

目前的卷积是在 2D 空间中做卷积，其本质上来说只建模了图像的空间信息，并没有建模通道之间的信息。于是，作者就尝试对 Channel 之间的信息进行显式建模。

网络结构

左边为 C'×H'×W' 的特征图，经过一系列卷积，pooling 操作 Ftr 之后，得到 C×H×W 大小的特征图。接下来进行一个 Sequeeze and Excitation block。 

Sequeeze：对 C×H×W 进行 global average pooling，得到 1×1×C 大小的特征图，这个特征图可以理解为具有全局感受野。

Excitation ：使用一个全连接神经网络，对 Sequeeze 之后的结果做一个非线性变换。 

特征重标定：使用 Excitation 得到的结果作为权重，乘到输入特征上。

总结 

总体来说思路很清晰，Motivation 也有一定的道理。此外，这个结构可以作为任意网络的子模块添加进去以提升精度，而且引入的计算量非常小。 

但是有一个问题在于，卷积过程本身在 Channel 之间也会有一个乘数，这个乘数是不是可以理解为建模了 Channel 之间的信息呢？

如果作者对前面的卷积使用 C 路的 Group Convolution，然后与加入 Sequeeze and Excitation block 前后的精度进行对比，或许文章会更有说服力一些。 

最终结果很不错，计算量几乎没变化，但是精度上升了，取得了 ImageNet 2017 的冠军。

SKNet

Motivation 

SKNet 使用了两个思路来提高精度： 

1. 很多网络使用了各种 Trick 来降低计算量，比如 ResNeXt，计算量大大减少，精度却略有提升。那么如果不牺牲那么多计算量，能否精度提高一些呢？比如使用大一点的 Kernel，如 5×5 的卷积提升精度；

2. 结合现在普遍使用的 Attention 操作。

加了上面两个操作之后，显然计算量会上去，于是作者再加了一个 Group Convolution 来做 trade off。 

网络结构

上述结构可以分为三个步骤： 

Split：输入为 c×h×w 的特征图，和均表示 Group Convolution。这里使用 Group Convolution 以减少计算量。注意，这里两路 Group Convolution 使用的卷积核大小不一致，原因在于 Motivation 中说的第一点，提升精度。 

Fuse：通过 Split 操作分成两路之后，再把两路结果进行融合，然后就是一个 Sequeeze and Excitation block。 

Select：Select 模块把 Sequeeze and Excitation block 模块的结果通过两个 softmax 以回归出 Channel 之间的权重信息。然后把这个权重信息乘到和中。这个过程可以看做是一个 soft attention。最好把两路的特征图进行相加得到输出特征图 V。

总结 

整体感觉融合了较多的 trick，Select 部分使用 soft attention 和 Sequeeze and Excitation block 中对特征图加权蛮像的，区别在于 Sequeeze and Excitation block 考虑的是 Channel 之间的权重，而 Select 部分的 attention 不仅考虑了 Channel 之间的权重，还考虑了两路卷积的权重。 

同样的，SKNet 可以很容易地嵌入到其他网络结构中。下图是基于 ResNeXt-50 的 SENet 和 SKNet 计算量，以及精度对比。可以看到，计算量（GFLOPs）只是略有上升，精度方面相比于 ResNeXt-50 涨了 1.4% 左右：

点击以下标题查看更多往期内容： 

• CVPR 2019 | 无监督领域特定单图像去模糊

• 图神经网络综述：模型与应用

• 近期值得读的10篇GAN进展论文

• F-Principle：初探理解深度学习不能做什么
  

• 万字综述之生成对抗网络（GAN）

• 让Keras更酷一些：分层的学习率和自由的梯度

• 小米拍照黑科技：基于NAS的图像超分辨率算法

• AAAI 2019 | 基于区域分解集成的目标检测

• 万字综述之生成对抗网络（GAN）

  
  

#投 稿 通 道#

 让你的论文被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？ 答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。 

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学习心得或技术干货。我们的目的只有一个，让知识真正流动起来。

📝 来稿标准：

• 稿件确系个人原创作品，来稿需注明作者个人信息（姓名+学校/工作单位+学历/职位+研究方向） 

• 如果文章并非首发，请在投稿时提醒并附上所有已发布链接 

• PaperWeekly 默认每篇文章都是首发，均会添加“原创”标志

📬 投稿邮箱：

• 投稿邮箱：hr@paperweekly.site 

• 所有文章配图，请单独在附件中发送 

• 请留下即时联系方式（微信或手机），以便我们在编辑发布时和作者沟通

🔍

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。

▽ 点击 | 阅读原文 | 获取最新论文推荐