SE：通道注意力模块【附Pytorch实现】

注意力模块【附Pytorch实现】"/>

SE：通道注意力模块【附Pytorch实现】

论文地址：.01507.pdf

1、动机

CNN中的核心操作就是卷积，早期大多研究都在探索如何增强空间编码能力，以提升CNN的性能。这篇文章探索了通道上的注意力，明确地建模通道间的依赖关系，并提出了一个新颖的模块，称为SE-block。

2、方法

SE的架构如上图所示，简单描述为：

• 对于一个输入X，其经过卷积之后得到一个feature map（U），对于该feature map即可接上一个SE块，来附加上通道注意力；
• 对于U，先将其每个通道的空间信息压缩到一个单值，也即从H*W*C大小的U得到了1*1*C大小的向量；
• 然后，对该向量应用一组FC层进行权重调整，得到一个1*1*C的通道注意力向量；
• 最后，将通道注意力向量加权到U，形成一个加权后的feature map。

可以看出，SE的原理还是非常简单，总的来说，SE就是对每个通道上的权重进行了显式建模，然后再对原feature map加权，使其每个通道具有不同的重要程度，也即有了通道注意力机制。

3、Pytorch实现

下面给出SE模块的Pytorch实现，可以将下面的代码作为插件用于任意feature map之后，以增强其通道注意力。

import torch
from torch import nnclass SE_Block(nn.Module):def __init__(self, ch_in, reduction=16):super(SE_Block, self).__init__()self.avg_pool = nn.AdaptiveAvgPool2d(1)  # 全局自适应池化self.fc = nn.Sequential(nn.Linear(ch_in, ch_in // reduction, bias=False),nn.ReLU(inplace=True),nn.Linear(ch_in // reduction, ch_in, bias=False),nn.Sigmoid())def forward(self, x):b, c, _, _ = x.size()y = self.avg_pool(x).view(b, c) # squeeze操作y = self.fc(y).view(b, c, 1, 1) # FC获取通道注意力权重，是具有全局信息的return x * y.expand_as(x) # 注意力作用每一个通道上