SE模块-通道注意力

1、压缩(Squeeze)
进行的操作是 全局平均池化(global average pooling)
特征图被压缩为1×1×C向量
在这里插入图片描述
2、激励(Excitation)
两个全连接层。
两个FC组成一个可训练的函数,用来学习通道注意力。(所以FC激活函数不是线性的就行)

两个FC构成了bottleneck结构:(SERatio是一个缩放参数)
第一个FC把神经元数量减少了

  1. 除去冗余信息 2. 降低计算量
    第二个FC的作用就是恢复到1×1×C尺寸。
    (分割的Unet把尺寸越整越小就是在把那些纹理什么信息都取掉,只留下边界信息,之后再把尺寸回到原来的大小)在这里插入图片描述
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值