您好,登錄后才能下訂單哦!
如何理解SENet,相信很多沒有經(jīng)驗(yàn)的人對此束手無策,為此本文總結(jié)了問題出現(xiàn)的原因和解決方法,通過這篇文章希望你能解決這個(gè)問題。
SENet是ImageNet 2017(ImageNet收官賽)的冠軍模型,和ResNet的出現(xiàn)類似,都在很大程度上減小了之前模型的錯(cuò)誤率(具體見附錄),并且復(fù)雜度低,新增參數(shù)和計(jì)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(lì)網(wǎng)絡(luò)。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(shù)(channel)。Squeeze做的事情是把H*W*C壓縮為1*1*C,相當(dāng)于把H*W壓縮成一維了,實(shí)際中一般是用global average pooling實(shí)現(xiàn)的。H*W壓縮成一維后,相當(dāng)于這一維參數(shù)獲得了之前H*W全局的視野,感受區(qū)域更廣。
2. Excitation部分。得到Squeeze的1*1*C的表示后,加入一個(gè)FC全連接層(Fully Connected),對每個(gè)通道的重要性進(jìn)行預(yù)測,得到不同channel的重要性大小后再作用(激勵(lì))到之前的feature map的對應(yīng)channel上,再進(jìn)行后續(xù)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(gè)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(jìn)一步提高了網(wǎng)絡(luò)的準(zhǔn)確率。
SENet可以隨意插入到任何網(wǎng)絡(luò)中,提升效果也是比較顯著的,論文中給的結(jié)果是有0.4%~1.8%范圍的error減小。
訓(xùn)練的曲線也很漂亮,最下面橙色的即為SENet的結(jié)果:
附錄:
ImageNet分類Top5錯(cuò)誤率:
2014 GoogLeNet 6.67%
2015 ResNet 3.57%
2016 ~~~ 2.99%
2017 SENet 2.25%
看完上述內(nèi)容,你們掌握如何理解SENet的方法了嗎?如果還想學(xué)到更多技能或想了解更多相關(guān)內(nèi)容,歡迎關(guān)注億速云行業(yè)資訊頻道,感謝各位的閱讀!
免責(zé)聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點(diǎn)不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進(jìn)行舉報(bào),并提供相關(guān)證據(jù),一經(jīng)查實(shí),將立刻刪除涉嫌侵權(quán)內(nèi)容。