SE 注意力模块 原理分析与代码实现

 一、SE 注意力模块

SE 注意力模块，它是一种通道注意力模块；常常被应用与视觉模型中。即插即用，是指通过它能对输入特征图进行通道特征加强，而且最终SE模块输出，不改变输入特征图的大小。

• 首先解释一下SE的含义，S是指Squeeze，压缩的意思；把输入特征图中的空间信息进行压缩。
• E是指Excitation，激励的意思；学习到的通道注意力信息，与输入特征图进行结合，最终得到具有通道注意力的特征图。

下面分析一下，SE是如何实现通道注意力的；首先看一下，模块的结构：

编辑

它主要由两部分组成，压缩、激励；模型的流程思路如下:

1. 首先输入特征图，它的维度是H*W*C；
2. 对输入特征图进行空间特征压缩；实现：在空间维度，实现全局平均池化，得到1*1*C的特征图；
3. 对压缩后的特征图，进行通道特征学习；实现：通过FC全连接层操作学习，得到具有通道注意力的特征图，它的维度还是1*1*C；
4. 最后将通道注意力的特征图1*1*C、原始输入特征图H*W*C，进行逐通道乘以权重系数，最终输出具有通道注意力的特征图；

其中，在FC全连接层学习通道注意力信息中，是对每个通道的重要性进行预测，得到不同channel的重要性大小后再作用。

备注： SE模块的出处论文：https://arxiv.org/abs/1709.01507?utm_source=ld246.com

注意力机制的实现思路：

• 通常，对特征图进行通道注意力操作，首先对特征图的空间维度进行压缩，然后学习不同通道的重要性；
• 对特征图进行空间注意力操作，首先对特征图的通道维度进行压缩，然后学习不同空间部位的重要性；

二、代码实现

实现SE模块的代码前，首先看一下，它是的流程结构，这里以resnet为基础实现的：

基于pytorch版本的代码如下：

class se_block(nn.Module):
    def __init__(self,channels,ratio=16):
        super(SE, self).__init__()
        # 空间信息进行压缩
        self.avgpool=nn.AdaptiveAvgPool2d(1)
        # 经过两次全连接层，学习不同通道的重要性
        self.fc=nn.Sequential(
            nn.Linear(channels,channels//ratio,False),
            nn.ReLU(),
            nn.Linear(channels//ratio, channels, False),
            nn.Sigmoid()
        )
    def forward(self,x):
        b,c,_,_ = x.size() #取出batch size和通道数
        # b,c,w,h->b,c,1,1->b,c 压缩与通道信息学习
        avg = self.avgpool(x).view(b,c)
        #b,c->b,c->b,c,1,1 激励操作
        y = self.fc(avg).view(b,c,1,1) 
        return x * y.expand_as(x)

三、SE应用在模型中

SE模块常常被用于CV模型中，能较有效提取模型精度；它是即插即用，是指通过它能对输入特征图进行通道特征加强，而且最终SE模块输出，不改变输入特征图的大小。

应用示例1：

在主干网络（Backbone）中，加入SE模块，加强通道特征，提高模型性能；

应用示例2：

在主干网络（Backbone）末尾，加入SE模型，加强整体的通道特征，提高模型性能；

应用实例3：

在多尺度特征分支中，加入SE模块，加强加强通道特征，提高模型性能。

总体评价：通常，SE模块能提升模型的精度；但速度会下降一点，毕竟它有FC全连接层。

本文只供大家参考与学习，谢谢~

后面还会介绍其它注意力模型：SK-Nets、CBAM、DANet、ECA-Net、CA等注意力模块。